基于广义信 fiducial 推断的诚实回归树集成不确定性量化
统计方法学
2019-11-15 v1 统计理论
机器学习
统计理论
摘要
由于其准确性，基于回归树集成的方法是一种流行的预测手段。一些常见例子包括贝叶斯加性回归树、提升方法和随机森林。本文关注诚实随机森林，其在原始随机森林形式上加了诚实性，并被证明具有更好的统计性质。主要贡献是一种新方法，用于量化诚实随机森林所产生的估计与预测的不确定性。所提方法基于广义 fiducial 方法论，并提供 fiducial 密度函数以衡量每棵单一诚实树为真模型的可能性。借助该密度函数，可获得估计与预测及其置信/预测区间。所提方法有前景的经验性质通过数值上与若干前沿方法的比较以及在一些真实数据集上的应用得以展示。最后，该方法在理论上由强渐近保证作为支撑。
引用
@article{arxiv.1911.06177,
title = {Uncertainty Quantification in Ensembles of Honest Regression Trees using Generalized Fiducial Inference},
author = {Suofei Wu and Jan Hannig and Thomas C. M. Lee},
journal= {arXiv preprint arXiv:1911.06177},
year = {2019}
}