广义提升森林

本文扩展了近期关于提升随机森林以建模非高斯响应的工作。给定指数族$\mathbb{E}[Y|X] = g^{-1}(f(X))$，我们的目标是获得$f$的估计。我们从链接空间中的MLE型估计出发，并据此定义广义残差。我们利用这些残差及相应权重拟合基随机森林，然后重复该过程以获得提升随机森林。我们将这三个估计量之和称为\textit{广义提升森林}。我们通过模拟和真实数据表明，两个随机森林步骤均降低了测试集对数似然（我们将其作为主要度量）。我们还提供了方差估计量，其计算成本与原估计量本身相同。在真实数据和模拟上的实证实验表明，这些方法能有效降低偏差，且置信区间覆盖在协变量分布的主体部分偏保守。