HDI-Forest：最高密度区间回归森林
机器学习
2019-07-23 v2 机器学习
摘要
通过寻求满足指定覆盖概率要求的最窄预测区间（PIs），近来提出的质量驱动 PI 学习原则能够提取高质量 PIs，更好地总结回归任务中的预测不确定性，并已广泛应用于解决许多实际问题。目前，最先进的质量驱动 PI 估计方法基于深度神经网络或线性模型。本文中，我们提出最高密度区间回归森林（HDI-Forest），一种新颖的、基于随机森林而非上述模型的质量驱动 PI 估计方法。HDI-Forest 不需要额外的模型训练，直接重用标准随机森林模型中学习的树。利用随机森林的特殊性质，HDI-Forest 能够高效且更直接地优化 PI 质量度量。在基准数据集上的大量实验表明，HDI-Forest 显著优于先前的方法，在达到相同或更好覆盖概率的同时，将平均 PI 宽度减少了超过 20%。
引用
@article{arxiv.1905.10101,
title = {HDI-Forest: Highest Density Interval Regression Forest},
author = {Lin Zhu and Jiaxing Lu and Yihong Chen},
journal= {arXiv preprint arXiv:1905.10101},
year = {2019}
}
备注
Accepted to IJCAI 2019