AR-Sieve Bootstrap for 随机森林及其与 rangerts 时间序列预测的仿真比较
机器学习
2024-10-03 v1 机器学习
摘要
随机森林（Random Forest, RF）算法可应用于广泛的问题领域，包括时间序列预测。然而，经典的独立同分布（IID）自助法或块自助法（如在 rangerts 中实现）在对观测数据进行自助抽样时，均未能完全考虑数据生成过程（DGP）的本质。我们提出将 RF 与残差自助抽样技术相结合，将 IID 自助法替换为自回归 Sieve 自助法（AR-Sieve Bootstrap, ARSB），该方法假设数据生成过程为自回归过程。为评估新模型的预测性能，我们使用来自不同类型数据生成过程（DGP）的合成数据进行仿真实验。结果显示，ARSB 能在森林中的树之间提供更多样化。此外，与其他自助策略相比，采用 ARSB 的 RF 在预测准确性上表现更佳。然而，这些改进以一定的效率代价为代价。
关键词
引用
@article{arxiv.2410.00942,
title = {AR-Sieve Bootstrap for the Random Forest and a simulation-based comparison with rangerts time series prediction},
author = {Cabrel Teguemne Fokam and Carsten Jentsch and Michel Lang and Markus Pauly},
journal= {arXiv preprint arXiv:2410.00942},
year = {2024}
}