Quantificazione dell’incertezza di previsione nelle foreste casuali

e foreste casuali costituiscono un metodo di apprendimento supervisionato non parametrico di grande successo. Esse sono utilizzate sia come tecnica di regressione sia come tecnica di classificazione e sono adatte a quei contesti in cui si abbiano più variabili rilevate che osservazioni. Tuttavia, offrono solamente previsioni puntuali e una misura puntuale è di per sé poco utile se non vi si associa una valutazione dell’incertezza. Quando si operano predizioni su nuove osservazioni è infatti importante riuscire a valutare quanto queste siano affidabili. Per farlo si può fare ricorso alle foreste di regressione quantilica e alle foreste casuali generalizzate, che nell’inferenza considerano l’intera distribuzione condizionata di una variabile risposta. Questa informazione può essere utilizzata per costruire intervalli di previsione su nuove osservazioni e quindi quantificare l’accuratezza di una previsione puntuale. In questo lavoro si presentano queste due tecniche e vengono proposte alcune simulazioni al fine di applicarle, confrontarle e coglierne le proprietà. Si fa ricorso ai pacchetti di R quantregForest per le foreste di regressione quantilica e grf per le foreste casuali generalizzate.