返回
Enhancing random forest algorithm performance using non-concave penalization techniques
DOI:10.1080/00949655.2026.2632969.png)
摘要
En 中文
本文提出了一种名为稀疏剪枝随机森林(SPARF)的新型混合框架,该框架通过自动剪枝随机森林(RF)算法生成的树集成来提高预测精度。与传统的RF不同,所提出的框架采用非凸惩罚,即SCAD和GSCAD,以识别并消除冗余树。核心创新在于将基于SCAD的技术与RF集成,并聚合剩余的树。该模型利用SCAD和GSCAD的稀疏性,提供具有高预测精度的可解释模型。该方法在两个真实数据集和蒙特卡洛模拟中进行了评估,其中创建了一个结合RF、SCAD和GSCAD的模型以减少并自动选择RF树。在真实数据集中,SPARF-SC模型相较于RF的均方根误差(RMSE)降低了约9.68%,而SPARF-GSC模型则降低了约8.46%。
Keyword:
Machine learning
SCAD
group SCAD
shrinkage methods
random forest
期刊
J
IF:
1.2
论文数:
133
被引数:
4.1K
机构
引用论文
Performance of smoothly clipped absolute deviation as a variable selection method in the artificial neural network‐based QSAR studies平滑截断绝对偏差作为基于人工神经网络的QSAR研究中的变量选择方法的性能

