Apr, 2023

基于数据的多项式随机森林

PDF
TL;DR该研究改善了以往弱一致的随机森林变体的证明方法，提高了数据利用率，实现了更好的理论性能和实验表现。同时，基于多项式随机森林和伯努利随机森林，提出了一个数据驱动的多项式随机森林算法，具有低算法复杂度和强一致性。在分类和回归问题上表现优异，是目前为止最优秀的强一致性的随机森林变体之一。
random forestsstrong consistencymultinomial random forestdata-drivenalgorithm complexity
发现论文，激发创造
  • 随机森林的一致性

    随机森林是一种通过构建多个随机决策树，通过平均聚合其预测结果的机器学习算法，可应用于广泛的预测问题并且具有较高的精度，同时支持小样本大小，高维特征空间和复杂数据结构的应对，本文在加法回归模型的情况下证明了该算法的一致性，并探究了随机森林如何很好地适应稀疏性。

    May, 2014

  • 随机森林模型分析

    研究了随机森林模型的统计性质，证明其是一致的，适应于稀疏数据，收敛速度只与有效特征的数量有关。

    May, 2010

  • 随机生存森林的一致性

    通过引入新的随机生存森林集成学习方法，本文证明了该方法在分裂规则、自举和随机变量选择下的一致性，同时介绍了一种新的处理无限标签算法的计算方法。

    Nov, 2008

  • 缩小差距：随机森林的理论与实践

    本研究提出了一种新的随机回归森林算法，证明了其一致性，并将其与其他理论可追踪的随机森林模型及实践中使用的随机森林算法进行了比较，实验证明了不同简化随机森林模型的方法的重要性。

    Oct, 2013

  • 分布式随机森林：异质性调整和多元分布回归

    提出一种基于 MMD 分布度量的新的森林构建方法，用于多元响应的联合条件分布，由此产生的权重定义了完全条件分布的估计，可用于任意复杂的目标，适用于用 Python 和 R 包 drf 的广泛示例。

    May, 2020

  • 大数据的随机森林

    本文主要关注于基于分类问题的随机森林模型处理大数据问题的现有方案，并尝试了五个变体实验，探究它们的相对性能和局限性。

    Nov, 2015

  • iBRF: 改进的平衡随机森林分类器

    在这项研究中，我们提出了一种改进的平衡随机森林分类器 (iBRF)，通过混合采样技术来平衡不均匀的类别分布，在解决不平衡分类任务时取得了比其他采样技术更好的预测性能。

    Mar, 2024

  • 随机森林缺失数据算法

    使用不同缺失数据机制的大量数据集，评估了各种 RF 算法的表现，发现 RF 插补通常表现良好，表现随相关性的增加而改善，在中度到高级缺失的情况下表现良好甚至在非随机缺失数据的情况下也有良好表现。

    Jan, 2017

  • 深度结构化模型学习

    此研究旨在将马尔可夫随机场与深度学习相结合，提出了一个训练算法，可以学习结构化模型和深度特征，以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。

    Jul, 2014

  • 在线随机森林的一致性

    本文提供一种在线随机森林的一致性结果，尝试缩小理论和实践之间的差距。

    Feb, 2013