Bosques aleatorios para regresión multivariante

Tengo un problema de regresión multi-salida con características de entrada y salidas. Las salidas tienen una estructura de correlación compleja, no lineal. $d_x$ $d_y$

Me gustaría usar bosques aleatorios para hacer la regresión. Por lo que puedo decir, los bosques aleatorios para la regresión solo funcionan con una sola salida, por lo que tendría que entrenar bosques aleatorios, uno para cada salida. Esto ignora sus correlaciones. $d_y$

¿Existe una extensión de los bosques aleatorios que tenga en cuenta las correlaciones de producción? Tal vez algo como la regresión del proceso gaussiano para el aprendizaje de tareas múltiples .

regression multivariate-analysis random-forest

— sergeyf
fuente

Esto

— sergeyf

seguro. Tengo "imágenes" de alta dimensión (en realidad espectros dI / dV) de péptidos. El objetivo es determinar las ubicaciones y clases de los aminoácidos que forman el péptido. mi primer enfoque fue la segmentación de imágenes, pero fallaron los CRF y los bosques aleatorios en píxeles. así que ahora, en lugar de decir que cada píxel "pertenece" a uno y solo un aminoácido (no es realmente cierto), estoy asignando a cada píxel un valor relativo de "influencia" de los aminoácidos cercanos. Esto resulta en una

histograma dimensional para cada píxel. Por lo tanto, la regresión de salida múltiple!

d_{y}

$d_y$

— sergeyf

Podría ser una respuesta tardía: en Crimisini et al. Los bosques de decisión: un marco unificado para la clasificación, la regresión, la estimación de la densidad, el aprendizaje múltiple, usan RF de una manera que puede ser adecuada para la identificación de los límites de los órganos.

— Simone

Esto también podría ser tarde, pero podría ayudar a cualquiera que se encuentre con esta publicación. Random Forest se puede entrenar fácilmente utilizando datos multivariados. Todo sucede de la misma manera, sin embargo, en lugar de usar la varianza para el cálculo de la ganancia de información, usamos la covarianza de las múltiples variables de salida. Y lo que es más importante, las hojas ahora contienen archivos PDF N-dimensionales.

— masad

No sé que la RF "Esto ignora sus correlaciones". Dada la naturaleza de conjunto de la RF, creo que podrían explicar las correlaciones. Si tomaran una entrada univariada y dieran salida univariada, entonces no estarían contabilizando las correlaciones.

— EngrStudent - Restablece a Monica

Aquí hay un ejemplo de un problema de regresión de salida múltiple realizado con reconocimiento facial. También incluye una muestra de codificación, debería darte un comienzo con tu metodología. http://scikit-learn.org/stable/auto_examples/plot_multioutput_face_completion.html

— naranja1
fuente

Hay un nuevo paquete específicamente para eso (no probado personalmente)

https://cran.r-project.org/package=MultivariateRandomForest

— MM
fuente