nadie implementó un autoencoder con bosques al azar

Question

Estoy interesado en la exploración de los autoencoders que puede ser utilizado para desarrollar una representación comprimida de los datos útiles para el aprendizaje de máquina.

En mi experiencia bosques aleatorios son más fáciles de trabajar y más flexible que la de los modelos lineales y por lo que me gustaría probar a utilizar para construir un autoencoder.

Uno puede hacer esto mediante el uso de bosques aleatorios para predecir resultados múltiples , a continuación, volver a representar a cada punto de datos como una secuencia binaria correspondiente a las ramas que se tomó. Por ejemplo, si un bosque se componía de dos árboles con tres ramas, a continuación, el código 011 101 representaría un punto de datos que llevó a la segunda y tercera ramas del primer árbol y tomó la primera y la tercera rama del árbol.

Es cualquiera que esté familiarizado con el trabajo de este tipo? Estoy interesado en los papeles, las implementaciones de multi-resultado aleatorio de los bosques, y las técnicas que convierten los bosques aleatorios en representaciones binarias de puntos de datos.

Edit: aclarar

Answer 1

Usted puede utilizar el 1-caliente de la codificación de un solo árbol, cada ejemplo está representado por un vector que contiene 1 de la hoja, y combinar estos vectores de un bosque (concatenados o O ed). Esto le da una representación intermedia.

Otra opción es utilizar la proximidad de medida [1] para calcular una supervisión laxa función de representación - una matriz de M donde M_ij = #de veces ejemplos i,j, termina en la misma hoja (sobre todo el bosque). Esta matriz es dispersa y grande, pero usted puede reducir su tamaño.

Hacer cualquiera de esas darle una útil representación intermedia? No sé de que cualquier intento de aprendizaje profundo con bosques aleatorios..

[1] http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#prox