抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ランダムフォレスト(RF)は,回帰関数を推定するための最も一般的な方法の1つである。ノード内平均と分散に基づくRFアルゴリズムの局所特性は,誤差がi.i.d.のとき理想的である。すべてのノードにおけるデータが相関する時系列と空間設定のような依存誤差プロセスに対して,操作は,この依存性を局所的に無視する。また,RFは相関データの再サンプリングを含み,ブートストラップの原理を違反する。理論的には,RFの一貫性はi.i.d.誤差に対して確立されたが,依存誤差の場合についてはほとんど知られていない。RF-GLSを提案し,同じ方法の一般化最小二乗(GLS)における依存誤差過程に対するRFの新しい拡張は,依存性下の線形モデルに対する通常最小二乗(OLS)を基本的に拡張する。この拡張の鍵は,GLSスタイル回帰木を作成するためにGLS損失で置換される大域的OLS最適化としての回帰木における局所意思決定の等価表現である。これはまた,相関データの代わりに非相関コントラスト(事前白化データ)を再サンプリングするGLS損失量の使用として,再サンプリング課題を相乗的に扱う。空間設定のために,RF-GLSは,新しい位置におけるクリギング予測を生成するために,Gaussプロセス相関誤差と併せて使用できる。RFは,同一性作用共分散行列を有するRF-GLSの特殊ケースになる。β-(絶対正規)混合誤差プロセスの下でのRF-GLSの一貫性を確立し,この一般的結果が自己回帰時系列および空間MaternGauss過程のような重要な事例を和らげることを示した。副産物として,β混合プロセスに対するRFの一貫性も確立し,これは著者らの知る限りでは,依存性下でのRFに対する最初の結果である。RF-GLSによって達成された改善を,依存性の下での推定と予測の両方に対して経験的に実証した。【JST・京大機械翻訳】