Lasy losowe dla regresji wielowymiarowej

Mam problem z regresją wielu wyjść z funkcjami wejściowymi i wyjściowymi . Dane wyjściowe mają złożoną, nieliniową strukturę korelacji. $d_x$ $d_y$

Chciałbym użyć losowych lasów do przeprowadzenia regresji. O ile wiem, losowe lasy do regresji działają tylko z jednym wyjściem, więc musiałbym trenować lasy losowe - jeden dla każdego wyjścia. To ignoruje ich korelacje. $d_y$

Czy istnieje rozszerzenie losowych lasów, które uwzględnia korelacje wyników? Może coś w rodzaju regresji procesu Gaussa do nauki wielozadaniowej .

regression multivariate-analysis random-forest

— sergeyf
źródło

oto, co udało mi się wykopać do tej pory: scikit-learn.org/dev/modules/tree.html#multi-output-problems

— sergeyf

pewnie. mam wysoko wymiarowe „obrazy” (właściwie widma dI / dV) peptydów. celem jest ustalenie lokalizacji i klas aminokwasów tworzących peptyd. moim pierwszym podejściem była segmentacja obrazu, ale nie powiodły się CRF i losowe losowe lasy. więc teraz, zamiast mówić, że każdy piksel „należy” do jednego i tylko jednego aminokwasu (nieprawda), przypisuję każdemu pikselowi względną wartość „wpływu” pobliskich aminokwasów. prowadzi to do

wymiarowego histogramu dla każdego piksela. stąd regresja wielokrotnego wyjścia!

d_{y}

$d_y$

— sergeyf

Może to być spóźniona odpowiedź: w Crimisini i in. Lasy decyzyjne: ujednolicone ramy klasyfikacji, regresji, szacowania zagęszczenia, uczenia się kolektorów używają RF w sposób, który może ci odpowiadać w celu identyfikacji granic narządów.

— Simone

To również może się spóźnić, ale może pomóc każdemu, kto natknie się na ten post. Random Forest można łatwo wytrenować przy użyciu danych wielowymiarowych. Wszystko dzieje się w ten sam sposób, jednak zamiast używać wariancji do obliczania wzmocnienia informacji, używamy kowariancji wielu zmiennych wyjściowych. Co ważniejsze, liście zawierają teraz N-wymiarowe pliki PDF.

— masad

Nie wiem, czy RF „ignoruje ich korelacje”. Biorąc pod uwagę złożoną naturę RF, myślę, że mogą one tłumaczyć korelacje. Gdyby wzięli dane wejściowe z jednej zmiennej i dali wyniki z jednej zmiennej, nie byliby w stanie uwzględnić korelacji.

— EngrStudent - Przywróć Monikę

Oto przykład problemu regresji z wieloma wyjściami podjętego przy rozpoznawaniu twarzy. Zawiera również próbkę kodowania, powinna dać ci początek swojej metodologii. http://scikit-learn.org/stable/auto_examples/plot_multioutput_face_completion.html

— pomarańczowy 1
źródło

Istnieje specjalnie dla tego nowy pakiet (nie testowany osobiście)

https://cran.r-project.org/package=MultivariateRandomForest

— MM
źródło