.png){kind=icon}
返回
Deep quantile forests for high-dimensional data
.png){kind=icon}
PRE
AI
DOI：10.1080/24754269.2026.2616873.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分位数回归对于分析自变量和因变量的条件分位数之间的关系至关重要，并广泛应用于经济学、教育学、社会科学等领域。然而，传统方法在处理数据的非线性、高维性及其他复杂性时往往存在困难。为解决这些挑战，本文创新性地将级联架构整合到分位数回归森林中，提出了深度分位数森林方法。与现有的深度分位数回归估计器不同，我们的方法需要更少的超参数和更少的训练数据，同时提供更好的性能和增强的可解释性。广泛的数值模拟和真实世界数据实验表明，我们提出的方法优于竞争方法，展示了其在处理高维数据复杂结构方面的有效性和稳健性。
Keyword:
Quantile regression
deep forest
cascade architecture
nonlinearity
high dimensional data
期刊
S
IF:
1.3
论文数:
28
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容