PyGRF：一种改进的 Python 地理随机森林模型及其在公共卫生与自然灾害中的案例研究
计算机与社会
2024-09-24 v1 机器学习
摘要
地理随机森林（GRF）是一种新近开发的具有空间显式性的机器学习模型。凭借提供更准确预测和局部解释的能力，GRF 已被用于许多研究。然而，当前的 GRF 模型在确定局部模型权重和带宽超参数方面存在局限性，局部训练样本数量可能不足，且有时局部预测误差较高。此外，GRF 作为 R 包实现，目前没有 Python 版本，这限制了其在偏好 Python 的机器学习从业者中的采用。本研究通过引入理论驱动的超参数确定、局部训练样本扩展和空间加权局部预测来解决这些局限性。我们还开发了一个基于 Python 的 GRF 模型和包 PyGRF，以促进该模型的使用。我们在一个示例数据集上评估了 PyGRF 的性能，并进一步通过公共卫生和自然灾害中的两个案例研究展示了其应用。
引用
@article{arxiv.2409.13947,
title = {PyGRF: An improved Python Geographical Random Forest model and case studies in public health and natural disasters},
author = {Kai Sun and Ryan Zhenqi Zhou and Jiyeon Kim and Yingjie Hu},
journal= {arXiv preprint arXiv:2409.13947},
year = {2024}
}