分布式回归算法的组合及其在校正卫星降水产品不确定性估计中的应用
机器学习
2025-01-07 v2 应用统计
统计方法学
机器学习
摘要
为促进有效决策，降水数据集应包含不确定性估计。分位数回归与机器学习方法已被提出用于提供此类估计。分布式回归相对于分位数回归具有显著优势，包括能够建模间歇性以及更强的外推训练数据之外的能力，这对于预测极端降水至关重要。因此，本文引入了分布式回归概念于降水数据集创建中，具体用于校正卫星降水产品的空间预测任务。建立在此概念之上，我们构建了新的集成学习方法，这些方法不仅对空间预测有益，而且对其他预测问题也有价值。这些方法利用使用广义可加模型 (generalized additive models for location, scale and shape, GAMLSS)、样条基 GAMLSS 和分布式回归森林估计的条件零调整概率分布，以及它们的集成（基于分位数回归的堆叠和等权平均）。为了识别最适用于特定问题的方法，我们使用大型多来源降水数据集将其与基准方法进行比较。结果表明，在以分位数损失函数评估时，堆叠方法在大多数分位数水平上优于单个方法。此外，尽管不同分位数水平上的方法排名有所不同，但堆叠方法以及在一定程度上均值组合方法，在不同分位数水平上的表现方差较小，而单个方法偶尔会在排名中排名极低。总体而言，针对特定任务组合多种分布式回归算法可在稳定性方面获得显著益处。
引用
@article{arxiv.2407.01623,
title = {Combinations of distributional regression algorithms with application in uncertainty estimation of corrected satellite precipitation products},
author = {Georgia Papacharalampous and Hristos Tyralis and Nikolaos Doulamis and Anastasios Doulamis},
journal= {arXiv preprint arXiv:2407.01623},
year = {2025}
}