博文
随机森林模型核心技术与科研应用
||
在多源观测数据爆炸式增长的今天，如何从复杂、高维、非线性的自然系统中提取可靠知识，已成为地球科学、生态学、环境工程与公共健康等领域科研工作者的核心挑战。传统的统计模型常受限于线性假设与变量交互建模能力，而“黑箱”深度学习又难以满足科研对机制解释与因果证据的严苛要求。随机森林及其现代扩展方法，正成为连接预测性能与科学可解释性的关键桥梁。
一:树模型基石-从决策规则到可解释智能的起点
1、数据类型与面临问题的识别
2、分类回归树及随机森林的能够解决的问题：预测与可解释性
3、分类回归树模型的构建
4、分类回归树模型推广：装袋树、袋外误差
案例一：经典论文解析，问题类型识别
案例二：用分类回归树预测臭氧浓度
案例三：装袋树模型下黑臭水体的分类二:标准随机森林全过程构建稳健、可发表的预测模型
1、随机森林理论
2、数据预处理：缺失值插补、异常值识别以及时间序列的处理
3、随机森林超参数调优
4、分类与回归问题性能评估
案例四：臭氧浓度的随机森林预测
案例五：遥感下土地利用的随机森林分类
案例六：基于基因的患病几率预测三:随机森林的可解释机器学习（XAI）
1、变量重要性与选择方法：置换法及其指标
2、基于博弈论的指标：SHAP，Conditional SHAP，KernelSHAP, DynamicSHAP等
3、对重要性指标误用的讨论
案例七：河道黑臭的重要影响因素
案例八：PM10的分区局部影响因素四:异常值处理与分位关联
1、异常值识别的传统方法
2、孤立森林的基本原理
3、孤立森林的实现
4、不同的相关关系：分位数随机森林
案例九：蓝藻爆发的异常点识别五:预测的不确定性与极端值估计
1、置信区间以及为什么需要置信区间
2、分位数回归的基本原理
3、分位数随机森林
4、树的贝叶斯模型：贝叶斯可加回归树
案例十：叶绿素A与营养物质极值相关性
案例十一：用贝叶斯可加回归树预测混凝土抗压强度及其不确定性
六:异质性处理效应的随机森林解法
1、因果效应潜在结果框架
2、条件平均处理效应
3、异质性效应估计：因果随机森林
案例十二：禁排政策对湖泊水质不同区域的因果分析
七:地理加权随机森林空间异质性建模
1、空间异质性：空间不是全局同质的
2、地理加权模型基础
3、局部样本构建与自适应带宽的选择
4、地理加权随机森林
案例十三：PM10城市不同区域的效应分析
https://blog.sciencenet.cn/blog-3595493-1518704.html
上一篇：基于R语言的贝叶斯网络模型的实践技术应用
