Annäherung an die Vorhersageunsicherheit bei Random Forest-Regressionsmodellen

Ansätze des maschinellen Lernens wie Random Forest haben an Bedeutung für die räumliche Modellierung und Kartierung kontinuierlicher Variablen zugenommen. Random Forest ist ein nicht-parametrischer Ensemble-Ansatz, und im Gegensatz zu traditionellen Regressionsansätzen gibt es keine direkte Quantifizierung des Vorhersagefehlers. Das Verständnis der Vorhersageunsicherheit ist wichtig, wenn modellbasierte kontinuierliche Karten als Eingaben für andere Modellierungsanwendungen wie die Feuer-Modellierung verwendet werden. Hier verwenden wir einen Monte-Carlo-Ansatz, um die Vorhersageunsicherheit für Random Forest-Regressionsmodelle zu quantifizieren. Wir testen den Ansatz, indem wir Karten abhängiger und unabhängiger Variablen mit bekannten Eigenschaften simulieren und tatsächliche Fehler mit Vorhersagefehlern vergleichen. Unser Ansatz erzeugte konservative Vorhersageintervalle über den größten Teil des Bereichs der vorhergesagten Werte. Da der Monte-Carlo-Ansatz jedoch datengetrieben war, waren die Vorhersageintervalle in spärlichen Teilen der Vorhersageverteilung entweder zu weit oder zu eng. Insgesamt liefert unser Ansatz angemessene Schätzungen der Vorhersageunsicherheit für Random Forest-Regressionsmodelle.