Sep, 2024

功能数据分类的随机样条树：理论与环境时间序列的应用

HTML
PDF
TL;DR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%。
发现论文，激发创造
  • 用inTrees解释树集合

    本文提供inTrees框架，通过提取、衡量、修剪和选择树集合中的规则，并计算频繁的变量交互来提高树集合的可解释性。inTrees框架可以应用于分类和回归问题，并适用于多种树集合类型，例如随机森林、正则化随机森林和Boosted Trees。

    Aug, 2014

  • 随机森林、决策树和分类预测器：‘缺失层次’问题

    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

  • 接近度森林：一种适用于时间序列的有效可扩展距离分类器

    本文介绍 Proximity Forest 算法，通过随机化选择实例和相似度度量，从包含数百万个时间序列的数据集中学习准确的模型，并在毫秒内对时间序列进行分类。该算法在时间序列分类方面表现出极高的准确性和速度，并在对 1M 个时间序列的地球观测数据集进行实验时表现出优越性能。

    Aug, 2018

  • SERT：基于Transformer的用于环境监测的时空传感器数据填充模型

    通过使用SERT和SST-ANN模型，可以在不需要插补的情况下处理多变量稀疏时间序列，适用于环境监测中的数据预测。

    Jun, 2023

  • 使用定点树加速广义随机森林

    该研究论文介绍了广义随机森林及其应用。通过提出一种基于固定点迭代方法的树生长规则，实现梯度免费优化。通过数值模拟，证明所得估计器与传统梯度规则下所得估计器有可比性。

    Jun, 2023

  • 为什么随机森林有效？理解树集合作为自正则化的自适应平滑器

    将树集合视为自适应和自正则化的平滑器，可以提供对集合中树的预测更为平滑的新认知和深入洞察，以及通过量化集合中树的平滑效果客观地重新审视和调和森林成功的两种近期解释，并挑战以方差减少为唯一解释的观点，展示森林通过三种机制改进树的性能，并通过丰富可用的假设空间减少学习函数的潜在偏差。

    Feb, 2024

  • 基于多样功能表示的监督学习：功能投票分类器

    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

  • 解密功能随机森林：高维空间模型透明度的新解释工具

    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

  • 增强功能随机森林：分类器构建和通过临时条件置换的无偏功能主成分重要性

    本文提出了一种新的监督分类策略，将功能数据分析与基于树的方法结合，旨在解决高维数据带来的挑战，并提升现有功能分类器的分类性能。我们提出的增强型功能分类树和功能随机森林显著提高了功能主成分的重要性评估方法，可以在处理由连续导数引起的相关特征时，提供无偏的置换特征重要性，实验结果表明该方法在真实和模拟数据集上均具有显著的预测能力提升。

    Aug, 2024

  • 丰富的基于树的分类器：利用导数和几何特征的创新方法

    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