混合效应调频边界普通森林:用层次数据进行普通预测的树木组合方法

科学领域:

• 社会和生命科学 社会和生命科学
• 统计建模 统计建模
• 机器学习 机器学习

背景情况:

• 在社会和生命科学中,顺序预测对于分析学校成绩或评分表等任务至关重要.
• 现有的机器学习 (ML) 方法,如随机森林 (RF),显示出高的预测能力,但往往缺乏对层次数据结构的支持.
• 在这些领域常见的等级数据 (例如,课堂上的学生) 需要专门的方法来准确预测.

研究的目的:

• 扩展频率调整边界普通森林 (fabOF) 机器学习方法以适应层次数据.
• 引入混合效应调节频率的边界顺序森林 (mixfabOF),以改善嵌套数据设置中的顺序预测.
• 为了评估混合fabOF与现有的基于RF的顺序预测方法的性能.

主要方法:

• 通过扩展 fabOF 方法,开发混合效应调频边界普通森林 (mixfabOF).
• 在混合fabOF框架内使用代期望-最大化类型的估计程序.
• 在层次数据集上对混合fabOF与fabOF和其他基于RF的顺序预测技术进行比较分析.

主要成果:

• 混合fabOF在具有高随机效应可变性的层次数据设置中,与fabOF和其他基于射频的方法相比,表现优越.
• 对于具有较低随机效应变量的设置,mixfabOF的性能与fabOF和基于RF的替代方法相美.
• 拟议的方法有效地处理在顺序预测任务中嵌套数据结构的复杂性.

结论:

• 混合效应频率调整边界顺序森林 (mixfabOF) 为层次数据中的顺序预测提供了重大进展.
• 该方法为处理嵌套数据结构的社会和生命科学研究人员提供了有价值的工具.
• mixfabOF提高了预测准确度,特别是在具有大量随机效应变化的场景中.