要約
ランダムフォレスト（RF）は、近年、さまざまな機械学習タスクに適用されているアンサンブル型の機械学習手法の一つである。本稿では、回帰問題に適した傾斜型ランダムフォレスト（oblique RF）を生成するための進化的アプローチを提案する。具体的には、進化的特徴量構築法を用いて元の特徴空間を新たな特徴空間に変換することで、傾斜型ランダムフォレストを導出する。探索プロセスの高速化を図るため、本手法ではランダムフォレスト（RF）ではなく、決定木（DT）を用いて各特徴量セットの性能を評価する。探索過程において、性能の優れた特徴量と対応する決定木をアーカイブすることで、RFの構築を可能にする。この方法により、一度の実行で特徴量とランダムフォレストの両方が同時に構築できる。提案手法は、特性が異なる117のベンチマーク問題に適用され、いくつかの最先端の回帰手法（RFの複数の変種および勾配ブースティング決定木（GBDT））と比較された。実験結果から、本手法は従来のRFおよびGBDT手法を上回る性能を示したことが示された。