Ich habe ein Multi-Output-Regressionsproblem mit Eingabe-Features und Ausgaben. Die Ausgänge haben eine komplexe, nichtlineare Korrelationsstruktur.d y
Ich möchte zufällige Wälder verwenden, um die Regression durchzuführen. Zufällige Wälder für die Regression funktionieren, soweit ich das beurteilen kann, nur mit einer einzigen Ausgabe, daher müsste ich d_y zufällige Wälder trainieren - eine für jede Ausgabe. Dies ignoriert ihre Korrelationen.
Gibt es eine Erweiterung für zufällige Gesamtstrukturen, die Ausgabekorrelationen berücksichtigt? Vielleicht so etwas wie eine Gaußsche Prozessregression für das Lernen mit mehreren Aufgaben .
Antworten:
Hier ist ein Beispiel für ein Problem der Regression mit mehreren Ausgängen, das bei der Gesichtserkennung auftritt. Es enthält auch ein Codierungsbeispiel, das Ihnen einen ersten Einblick in Ihre Methodik geben soll. http://scikit-learn.org/stable/auto_examples/plot_multioutput_face_completion.html
quelle
Speziell dafür gibt es ein neues Paket (nicht persönlich getestet)
https://cran.r-project.org/package=MultivariateRandomForest
quelle