RS-BART:一种提升贝叶斯可加回归树预测性能的新方法（英文）
- Release time:2024-08-09
- Hits:
-
-
-
Affiliation of Author(s):
理学院
-
-
Journal:
工程数学学报
-
-
-
Key Words:
集成学习;贝叶斯可加回归树;预测精度;随机森林;Gibbs采样;
-
Abstract:
在有监督学习的任务中,任何方法的主要目标是对未来数据进行准确的预测.作为梯度boosting算法的贝叶斯版本,贝叶斯可加回归树(Bayesian additive regression trees,BART)模型在此方面具有巨大潜力.但是,BART得到的关注远远低于随机森林和梯度boosting算法.为扩展BART的应用范围,文中首先对BART模型作了较为详尽的综述.考虑到BART在高维情况下会出现过拟合,本文提出了RS-BART方法以提高其预测性能.RS-BART首先对所有预测变量根据其相对重要性排序,然后使用重要性度量训练一些低维或中等维度的BART模型,将其预测结果平均或投票来得到最终的预测结果.基于模拟和实际数据的试验结果表明,与一些最先进的方法 (如随机森林、boosting和BART)相比,RS-BART具有更好或基本相当的预测性能.因此,RS-BART可以作为用于解决实际应用中高维且稀疏预测任务的一种有效工具.
-
-
Co-author:
王冠伟,张春霞
-
First Author:
yinqingyan
-
Indexed by:
Journal paper
-
-
-
Discipline:
Natural Science
-
-
-
Volume:
中文核心期刊:461-477,17
-
-
-
-
ISSN No.:
1005-3085
-
Translation or Not:
no
-
-
Date of Publication:
2019-07-31
-
-
