数据驱动多项随机森林
机器学习
2023-04-11 v1 机器学习
摘要
在本文中，我们将一些先前弱一致的随机森林变体的证明方法加强为强一致证明方法，并改进了这些变体的数据利用率，以获得更好的理论性质与实验性能。此外，基于多项随机森林（MRF）与伯努利随机森林（BRF），我们提出了一种数据驱动多项随机森林（DMRF）算法，其复杂度低于MRF且高于BRF，同时满足强一致性。在分类与回归问题上，它比先前仅满足弱一致性的随机森林变体表现更好，且在多数情况下甚至超越标准随机森林。据我们所知，DMRF是目前复杂度低且性能最优的强一致随机森林变体。
引用
@article{arxiv.2304.04240,
title = {Data-driven multinomial random forest},
author = {Junhao Chen and Xueli wang},
journal= {arXiv preprint arXiv:2304.04240},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2211.15154