本文使用符合预测技术计算功能数据的同时预测带和聚类树。我们使用多个新颖的一致性分数来简化计算，并且在不假设任何分布的情况下，为基础随机过程提供了预测集，并提供信息指向潜在进程的高密度区域。

Feb, 2013

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

在这篇文章中，我们探讨了决策树方法（例如随机森林）处理分类预测变量的能力会导致“缺失层面”问题，从而影响了模型的准确性，提出了一些简单的启发式方法来缓解这个问题。

Jun, 2017

本文研究回顾并反对使用 Permuate-and-predict 方法来解释黑盒函数，特别是在特征之间存在强依赖性时，常用的变量重要性度量、局部依赖图和个体条件期望图具有误导性，我们提出了使用额外建模来替代这些指标的建议，并描述了如何在保持数据特征独立性的情况下测量模型性能变化。

May, 2019

该论文介绍了一种名为FSFC（适用于功能分类的特征选择）的新方法，它解决了在具有分类响应和纵向特征的情况下同时执行特征选择和功能数据分类的挑战。通过集成逻辑损失和功能特征来识别分类的最重要特征，该方法利用功能主成分和自适应版增广拉格朗日算法解决了最小化过程，实现了高维数据的高效处理，并且在计算时间和分类准确率方面优于其他机器学习和深度学习方法。

Jan, 2024

全球优化分类树方法通过建立新的混合整数规划方法，在多个线性和非线性指标的综合下，提供了优于传统方法的解析度和普适性。在延展性和实用性测试中，该方法在小型和中型数据集上相较于随机森林取得了显著的精度提升。

Jan, 2024

功能数据分析（FDA）是用于建模和分析时间域函数数据的框架，在该领域中，集成学习的功能分类器只是最近引起了极大的兴趣。该论文的重点是基于功能数据的集成学习，展示了如何使用不同的功能表示来训练集成成员，并通过多数投票来组合基模型的预测结果。所提出的功能投票分类器（FVC）证明了不同的功能表示可以增加多样性从而提高预测准确性。使用多个真实世界数据集显示，与单个模型相比，FVC可以显著提高性能。这个框架为功能数据的投票集成提供了基础，并在FDA领域激发了一个非常有潜力的研究方向。

Mar, 2024

本研究解决了功能随机森林（FRF）模型透明度和可解释性不足的问题。提出了一系列新的解释工具，如功能部分依赖图和功能主成分概率热图，以增强FRF的可解释性。通过对心电图数据集的应用，验证了这些工具在揭示关键模式和改善模型解释性方面的有效性。

Aug, 2024

本研究针对环境时间序列分析中功能数据分析和集成学习的有效性问题，提出了一种新算法——随机样条树（RST），通过将随机功能表示融合到随机森林框架中，以增强决策树的多样性。研究结果表明，RST在多个环境时间序列分类任务中显著超越了标准随机森林和梯度提升方法，分类准确率提高了多达14%。

Sep, 2024

本研究解决了标量函数分类领域中的一个重要问题，通过将功能数据分析与基于树的集成技术相结合，提出了一种先进的监督分类方法。研究显示，丰富的基于树的分类器在高维时间序列分类中具有显著的提升效果，能够增强预测性能并降低方差，为复杂高维学习问题提供了新的见解。

Sep, 2024