面向分位数估计与预测区间的随机森林定向调优
统计方法学
2025-07-03 v1 应用统计
机器学习
摘要
我们提出了一种新的随机森林（RF）调优程序，用于提高估计分位数的准确性，并产生有效且相对狭窄的预测区间。虽然 RF 通常用于估计条件响应的均值，但也可用于通过估计响应的完整分布来估计分位数。然而，标准构建 RF 的方法常导致分位数估计偏差过大。为减少此偏差，我们提出的调优程序最小化“分位数覆盖损失”（QCL），该损失定义为基于袭击样本的边际分位数覆盖概率估计的估计偏差。我们将 QCL 调优适用于处理 censored 数据，并演示其在随机生存森林中的应用。我们表明，QCL 调优导致的分位数估计的覆盖概率比使用默认参数值或传统调优（针对未 censored 数据使用 MSPE，针对 censored 数据使用 C-index）所达到的更准确，同时也降低了这些覆盖概率估计的 MSE。我们讨论了 QCL 调优性能优越性与其与估计目标一致性之间的关系。最后，我们探讨了使用该方法创建的预测区间的有效性和宽度。
引用
@article{arxiv.2507.01430,
title = {Targeted tuning of random forests for quantile estimation and prediction intervals},
author = {Matthew Berkowitz and Rachel MacKay Altman and Thomas M. Loughin},
journal= {arXiv preprint arXiv:2507.01430},
year = {2025}
}
备注
36 pages, 15 figures