回归随机森林中寻找空间依赖的一条路径：一种分类体系与系统综述
机器学习
2023-10-18 v2 机器学习
应用统计
摘要
随机森林（RF）是一种著名的数据驱动算法，因其能够灵活建模响应变量与预测变量之间的关系（即使在强非线性的情况下）而被应用于多个领域。在环境应用中，感兴趣的现象常常呈现空间和/或时间依赖性，而标准版本的 RF 并未显式考虑这一点。在这项工作中，我们提出了一种分类体系，根据策略尝试将空间信息纳入回归 RF 的时机（预处理、处理中和/或后处理）对其进行分类。此外，我们基于系统综述与荟萃分析优先报告条目（PRISMA）提供的标准，提供了一项系统综述，并对近期用于“调整”回归 RF 以适应空间依赖数据的策略进行了分类。后者是一种可复现的方法论，用于从多种来源收集和处理关于特定主题的现有文献。PRISMA 以一次检索开始，以一组待综述的科学文献结束：我们于 2022 年 10 月 25 日进行了一次在线检索，最终有 32 篇文献被纳入综述。我们描述并讨论了这 32 篇科学文献中所采用的方法学策略及其应用领域。本工作属于“农业对意大利空气的影响（AgrImOnIA）”项目。
引用
@article{arxiv.2303.04693,
title = {A path in regression Random Forest looking for spatial dependence: a taxonomy and a systematic review},
author = {Luca Patelli and Michela Cameletti and Natalia Golini and Rosaria Ignaccolo},
journal= {arXiv preprint arXiv:2303.04693},
year = {2023}
}