Çok değişkenli regresyon için rastgele ormanlar

giriş özellikleri ve çıkışları ile çoklu çıkış regresyon problemim var . Çıktılar karmaşık, doğrusal olmayan bir korelasyon yapısına sahiptir. $d_x$ $d_y$

Regresyonu yapmak için rastgele ormanları kullanmak istiyorum. Söyleyebileceğim kadarıyla, regresyon için rastgele ormanlar yalnızca tek bir çıktıyla çalışıyor, bu yüzden rastgele ormanlar - Her çıkış için bir tane. Bu onların korelasyonlarını görmezden geliyor. $d_y$

Çıktı korelasyonlarını hesaba katan rastgele ormanların bir uzantısı var mı? Belki çok görevli öğrenme için Gauss süreci gerilemesi gibi bir şey .

regression multivariate-analysis random-forest

— sergeyf
kaynak

işte şimdiye kadar neyi

— kazabildim

emin. peptitlerin yüksek boyutlu "görüntülerine" (aslında dI / dV spektrumlarına) sahiptir. Amaç, peptidi oluşturan amino asitlerin yerlerini ve sınıflarını bulmaktır. ilk yaklaşımım görüntü bölümlemesiydi, ancak CRF'ler ve piksel şeklinde rastgele ormanlar başarısız oldu. Şimdi, her pikselin bir ve sadece bir amino aside (gerçekten doğru değil) ait olduğunu söylemek yerine, her piksele yakındaki amino asitlerden göreceli bir "etki" değeri veriyorum. Bir Bu sonuçlar

, her bir piksel için boyutlu histogram. bu nedenle, çoklu çıkış regresyonu!

d_{y}

$d_y$

— sergeyf

Gecikmiş bir cevap olabilir: Crimisini ve ark. Karar Ormanları: Sınıflandırma, Regresyon, Yoğunluk Tahmini, Manifold Öğrenme için Birleşik Çerçeve, organ sınırlarını belirleme konusunda size uyacak şekilde RF kullanırlar.

— Simone

Bu da geç olabilir, ancak bu yazının üzerine tökezleyen herkese yardımcı olabilir. Rastgele Orman, çok değişkenli veriler kullanılarak kolayca eğitilebilir. Her şey aynı şekilde gerçekleşir, ancak bilgi kazanımı hesaplaması için varyans kullanmak yerine, çoklu çıkış değişkenlerinin kovaryansını kullanırız. Ve daha önemlisi, yapraklar artık N boyutlu PDF'ler içermektedir.

— masad

RF'nin "Bu, onların korelasyonlarını görmezden geldiğini" bilmiyorum. RF'nin topluluk niteliği göz önüne alındığında, korelasyonları hesaba katabileceklerini düşünüyorum. Tek değişkenli girdi aldılar ve tek değişken çıktı vermişlerse o zaman korelasyonları hesaba katamazlardı.

— EngrStudent - Monica

İşte yüz tanıma ile ilgili çok çıkışlı bir regresyon problemine bir örnek. Aynı zamanda bir kodlama örneği içerir, size metodolojinize bir başlangıç yapmalıdır. http://scikit-learn.org/stable/auto_examples/plot_multioutput_face_completion.html

— Turuncu1
kaynak

Bunun için özel olarak yeni bir paket var (kişisel olarak test edilmemiş)

https://cran.r-project.org/package=MultivariateRandomForest

— AA
kaynak