基于随机森林的偶然不确定性与认知不确定性

由于机器学习在实际应用中的相关性稳步提升，其中许多应用带有安全性要求，不确定性的概念在过去几年中受到机器学习研究越来越多的关注。特别是，区分两种重要不确定性类型（常被称为偶然不确定性和认知不确定性）的思想近年来在监督学习设置中得到了研究。在本文中，我们提出使用随机森林来量化这些不确定性。更具体地说，我们展示了在分类设置中，将测量学习器在预测中偶然不确定性和认知不确定性的两种通用方法用决策树和随机森林作为学习算法来实例化。在这方面，我们还将随机森林与用于类似目的的深度神经网络进行了比较。