Zhang and Lu (2012) proposed five d

Zhang and Lu (2012) proposed five different methods to estimate bias in RF for regression. Their methods estimate
residuals and add these estimated residuals to the predicted values to correct bias. Our method is similar to theirs because
we use the estimated residuals, but we go further. We will fit a linear model with estimated residuals as the response variable
(Y) and predicted values as the explanatory variable (X). Then, we will rotate this fitted line to the horizontal line or find
the best rotation angle to minimize bias.
The RF package in R (Liaw & Wiener, 2009) offers a bias correction method using a simple linear regression (SLR). It fits
a SLR with observed values as the response variable (Y) and predicted values as the explanatory variable (X). One thing
to note is that this built-in bias correction uses the fitted values from out-of-bag samples. We will later show that using
a bias correction with all data to fit a SLR offers better performance than a bias correction only with out-of-bag samples
in real data applications. The predicted values from out-of-bag samples can be computed as follows. Suppose we have
B bootstrap samples. Basically, tree bagging method takes an average of the predicted values from B trees. Suppose we
have to compute the predicted values for the first observation. Since they are bootstrap samples, there can be samples
that the first observations are not included. Let us say that K(

ผลลัพธ์ (ไทย) 1:

Zhang and Lu (2012) proposed five different methods to estimate bias in RF for regression. Their methods estimateresiduals and add these estimated residuals to the predicted values to correct bias. Our method is similar to theirs becausewe use the estimated residuals, but we go further. We will fit a linear model with estimated residuals as the response variable(Y) and predicted values as the explanatory variable (X). Then, we will rotate this fitted line to the horizontal line or findthe best rotation angle to minimize bias.The RF package in R (Liaw & Wiener, 2009) offers a bias correction method using a simple linear regression (SLR). It fitsa SLR with observed values as the response variable (Y) and predicted values as the explanatory variable (X). One thingto note is that this built-in bias correction uses the fitted values from out-of-bag samples. We will later show that usinga bias correction with all data to fit a SLR offers better performance than a bias correction only with out-of-bag samplesin real data applications. The predicted values from out-of-bag samples can be computed as follows. Suppose we haveB bootstrap samples. Basically, tree bagging method takes an average of the predicted values from B trees. Suppose wehave to compute the predicted values for the first observation. Since they are bootstrap samples, there can be samplesthat the first observations are not included. Let us say that K(predicted values for the first observation from the out-of-bag samples are the average of the predicted values from these K
samples.
This paper is organized as follows. In Section 2, we introduce Zhang and Lu’s method (Zhang & Lu, 2012) and our two
methods. In Section 3, we compare the performances of six methods (original RF, built-in bias correction, bias correction
with SLR, Zhang and Lu’s first method, residual rotation, best angle rotation) with simulation data and five different real
data sets from the UCI data repository (Bache & Lichman, 2014). We give the concluding remarks in Section 4.

ผลลัพธ์ (ไทย) 2:

วอชิงตันโพสต์และลู (2012) ได้เสนอวิธีการที่แตกต่างกันห้าที่จะประเมินอคติใน RF สำหรับการถดถอย
วิธีการประเมินที่เหลือและเพิ่มเหลือประมาณค่าเหล่านี้เพื่อคาดการณ์ที่ถูกต้องอคติ วิธีการของเราก็คล้าย ๆ
กับพวกเขาเพราะเราใช้เหลือโดยประมาณแต่เราจะไปเพิ่มเติม เราจะพอดีกับรูปแบบเชิงเส้นที่มีเหลือประมาณเป็นตัวแปรการตอบสนอง
(Y) และค่านิยมที่คาดการณ์เป็นตัวแปรอธิบาย (X)
จากนั้นเราจะหมุนสายนี้เพื่อติดตั้งแนวนอนหรือหามุมหมุนที่ดีที่สุดเพื่อลดอคติ.
แพคเกจ RF ใน R (Liaw และ Wiener 2009) มีวิธีการแก้ไขอคติใช้การถดถอยเชิงเส้นง่าย (SLR) มันพอดีกับ
SLR ที่มีค่าเป็นตัวแปรที่สังเกตการตอบสนอง (Y) และค่านิยมที่คาดการณ์เป็นตัวแปรอธิบาย (X)
สิ่งหนึ่งที่ควรทราบก็คือว่าเรื่องนี้สร้างขึ้นในการแก้ไขอคติใช้ค่าติดตั้งจากออกจากถุงตัวอย่าง หลังจากนั้นเราจะแสดงให้เห็นว่าการใช้การแก้ไขอคติกับข้อมูลทั้งหมดเพื่อให้พอดีกับ SLR มีประสิทธิภาพดีกว่าการแก้ไขอคติเฉพาะกับกลุ่มตัวอย่างออกจากกระเป๋าในการใช้งานข้อมูลจริง ค่าที่คาดการณ์ไว้จากตัวอย่างออกจากถุงสามารถคำนวณได้ดังนี้ สมมติว่าเรามีตัวอย่างบูต B โดยทั่วไปวิธีการห่อต้นไม้ใช้เวลาเฉลี่ยของค่าทำนายจากต้นไม้ B สมมติว่าเรามีการคำนวณค่าที่คาดการณ์สำหรับการสังเกตแรก เนื่องจากพวกเขาเป็นตัวอย่างบูตอาจมีตัวอย่างที่สังเกตแรกที่จะไม่รวม ให้เราบอกว่า K (




คาดการณ์ค่าสำหรับการสังเกตแรกจากกลุ่มตัวอย่างออกจากกระเป๋าเป็นค่าเฉลี่ยของค่า K
จากที่คาดการณ์เหล่านี้ตัวอย่าง.
กระดาษนี้จะมีการจัดระเบียบดังต่อไปนี้ ในส่วนที่ 2 เราแนะนำจางและวิธีการของลู (Zhang Lu และ 2012)
และสองของเราวิธีการ ในส่วนที่ 3 เราเปรียบเทียบการแสดงหกวิธีการ (RF
เดิมในตัวแก้ไขอคติแก้ไขอคติกับSLR จางและวิธีแรกของลูหมุนที่เหลือหมุนมุมที่ดีที่สุด)
ที่มีข้อมูลการจำลองและห้าจริงที่แตกต่างกันชุดข้อมูลจากเก็บข้อมูล UCI (Bache และ Lichman 2014) เราจะให้คำพูดสุดท้ายในส่วนที่ 4

ผลลัพธ์ (ไทย) 3:

วันนี้เป็นวันที่ 2 แล้ว