要約
私たちは、各々の木が正則化事前分布によって弱学習者であることが制約されるベイジアン「木の和」モデルを開発しました。推定と推論は、事後分布からサンプルを生成する反復的なベイジアンバックフィッティングMCMCアルゴリズムを通じて達成されます。BART（Bayesian Additive Regression Trees）は、非パラメトリックなベイジアン回帰アプローチであり、次元に適応したランダムな基底要素を使用します。一般的なアンサンブル手法、特にブースティングアルゴリズムに触発されて、BARTは統計モデル：事前分布と尤度関数によって定義されています。このアプローチにより、未知の回帰関数の点推定値と区間推定値、および潜在的な予測変数の周辺効果の完全な事後推論が可能になります。予測変数の包含頻度を追跡することで、BARTはモデルフリーの変数選択にも使用できます。BARTの多くの特徴は、42つの異なるデータセットでの競合方法との対決、シミュレーション実験、および医薬品発見分類問題を通じて示されています。