×
二湾蝎子

关于随机森林的渐近性。 （英语） 兹比尔1337.62063

《多元分析杂志》。 146, 72-83 (2016).
摘要：过去十年，人们对随机森林模型越来越感兴趣，这些模型被认为具有良好的实用性能，尤其是在高维环境中。然而，在理论方面，它们的预测能力在很大程度上仍然无法解释，从而在理论和实践之间造成了差距。在本文中，我们在回归框架中给出了随机森林的一些渐近结果。首先，我们提供了理论保证，将实际使用的有限森林（具有有限数量的树）与它们的渐近对应物（具有有限数目的树）联系起来。利用经验过程理论，我们证明了一大类随机森林估计的统一中心极限定理，特别适用于布雷曼《马赫·学习》第45卷第1、5–32页（2001年；Zbl 1007.68152号)]. 其次，我们证明了无限森林一致性意味着有限森林一致性，因此，我们说明了几个无限森林的一致性。特别是，我们证明了\（q\）分位数森林——在精神上与Breiman的[loc.cit.]森林接近，但更容易研究——能够将不一致的树木组合起来，以获得最终的一致预测，从而突出了随机森林与单一树木相比的优势。

引用于16文件

MSC公司：

62G05型 非参数估计
6220国集团 非参数推理的渐近性质

关键词：

随机森林；随机化；一致性；中心极限定理；经验过程；树木数量；\（q\）-分位数

引文：

Zbl 1007.68152号

软件：

随机森林；GeneSrF公司；fda（右）
PDF格式BibTeX公司 XML格式引用
\textit{E.Scornet}，J.多元分析。146、72--83（2016；Zbl 1337.62063）
全文： 内政部 arXiv公司

参考文献：

[1] Biau，G.，《随机森林模型分析》，J.Mach。学习。第13号决议，1063-1095（2012年）·Zbl 1283.62127号
[2] Biau，G。；Devroye，L。；Lugosi，G.，《随机森林和其他平均分类器的一致性》，J.Mach。学习。2015-2033年第9号决议（2008年）·Zbl 1225.62081号
[3] Bongiorno，E.G。；戈亚，A。；Salinelli，E。；Vieu，P.，《无限维统计和相关主题的贡献》（2014年），Societa Editrice Esculapio·Zbl 1377.62023号
[4] Boucheron，S。；卢戈西，G。；Massart，P.，《集中不等式：独立性的非渐近理论》（2013），牛津大学出版社·Zbl 1279.60005号
[5] Breiman，L.，Bagging预测因子，马赫数。学习。，24, 123-140 (1996) ·Zbl 0858.68080号
[6] Breiman，L.，预测集合的一些无穷理论。技术报告577（2000），加州大学伯克利分校
[7] Breiman，L.，《随机森林》，马赫。学习。，45, 5-32 (2001) ·Zbl 1007.68152号
[8] 布雷曼，L。；弗里德曼，J。；Olshen，R.A。；Stone，C.J.，《分类和回归树》（1984），查普曼和霍尔出版社：纽约查普曼与霍尔出版社·Zbl 0541.62042号
[9] 克莱门松，S。；Deecker，M。；Vayatis，N.，Ranking forests，J.Mach。学习。研究，14，39-73（2013）·兹比尔1307.68065
[10] 卡特勒，A。；Zhao，G.，Pert-完全随机树系综，计算。科学。统计，33，490-497（2001）
[12] Devroye，L。；Györfi，L。；Lugosi，G.，模式识别的概率理论（1996），Springer:Springer纽约·Zbl 0853.68150号
[13] 迪亚斯·乌里亚特，R。；Alvarez de Andrés，s.，基因选择和使用随机森林的微阵列数据分类，BMC生物信息。，7, 1-13 (2006)
[14] Dietterich，T.G。；Kong，E.B.，决策树算法的机器学习偏差、统计偏差和统计方差。技术报告（1995），计算机科学系：俄勒冈州立大学计算机科学系
[15] 费拉蒂，F。；Vieu，P.，《非参数函数数据分析：理论与实践》（2006），Springer Science&Business Media·Zbl 1119.62046号
[17] Geurts，P。；Ernst，D。；Wehenkel，L.，《极度随机树》，马赫。学习。，63, 3-42 (2006) ·Zbl 1110.68124号
[19] Györfi，L。；科勒，M。；Krzyżak，A。；Walk，H.，非参数回归的无分布理论（2002），Springer:Springer纽约·Zbl 1021.62024号
[20] Hamza，M。；Laroque，D.，《基于分类树的集成方法的经验比较》，J.Stat.Compute。模拟。，75, 629-643 (2005) ·Zbl 1075.62051号
[21] Ho，T.，构建决策森林的随机子空间方法，模式分析。机器。智力。，20, 8, 832-844 (1998)
[22] Horváth，L。；Kokoszka，P.，《功能数据与应用推断》（2012），施普林格科学与商业媒体·Zbl 1279.62017号
[23] Ishwaran，H.，《分裂对随机森林的影响》，马赫。学习。，1-44 (2013)
[24] Ishwaran，H。；Kogalur，U.B.，随机存活森林的一致性，统计。普罗巴伯。莱特。，80, 1056-1064 (2010) ·Zbl 1190.62177号
[25] Ishwaran，H。；Kogalur，英国。；Blackstone，E.H。；Lauer，M.S.，《随机生存森林》，Ann.Appl。统计，2841-860（2008）·Zbl 1149.62331号
[27] Liaw，A。；Wiener，M.，《随机森林分类与回归》，R News，2，18-22（2002）
[28] Meinshausen，N.，分位数回归森林，J.Mach。学习。第7983-999号决议（2006年）·Zbl 1222.68262号
[30] 波吉，J.-M。；Tuleau，C.，《大尺度分类监管》。导管汽车应用程序，Rev.Stat.Appl。，第54页，第41-60页（2006年）
[31] Qi，Y.，集成机器学习，307-323（2012），Springer，生物信息学随机森林章节
[32] J.O.拉姆齐。；Silverman，B.W.，《功能数据分析》（2005），施普林格出版社·Zbl 0882.6202号
[33] 罗杰斯，G。；Rihan，J。；拉马林加姆，S。；Orrite，C。；Torr，P.H.，《人体姿势检测的随机树》（IEEE计算机视觉和模式识别会议，2008年）。IEEE计算机视觉和模式识别会议，2008年，CVPR 2008（2008），IEEE），1-8
[35] Stone，C.J.，一致非参数回归，Ann.Statist。，5, 595-645 (1977) ·Zbl 0366.62051号
[36] 范德法特，Aad W。；Wellner，Jon A.，《弱收敛和经验过程：统计应用》（1996），Springer:Springer New York·Zbl 0862.60002号
[38] Wager，S。；哈斯蒂，T。；Efron，B.，《随机森林的置信区间：折刀和无穷小折刀》，J.Mach。学习。第15号决议，1625-1651（2014）·Zbl 1319.62132号
[39] 朱，R。；曾博士。；Kosorok，M.R.，《强化学习树》。北卡罗来纳大学技术报告（2012）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。