在随机森林上使用LASSO

我想使用以下过程创建一个随机森林：

• 使用信息增益确定拆分，在数据和要素的随机样本上构建树
• 如果叶子节点超过预定深度，则终止该叶子节点，否则任何拆分都会导致叶子数少于预定最小值
• 而不是为每棵树分配一个类标签，而是在叶节点中分配类的比例
• 在构建了预定义数量之后停止构建树木

这从两个方面打破了传统的随机森林过程。第一，它使用分配比例而不是类标签的修剪树。第二，停止标准是树木的预定数量，而不是一些袋外误差估计。

我的问题是这样的：

对于上面输出N棵树的过程，我可以使用Logistic回归和LASSO选择来拟合模型吗？有没有人有经验适合随机森林分类器并使用逻辑LASSO进行后处理？

ISLE框架提到使用LASSO作为回归问题（而非分类问题）的后处理步骤。此外，在搜索“随机森林套索”时，我没有得到任何有用的结果。

这听起来有点像梯度树增强。增强的想法是找到一类模型的最佳线性组合。如果我们将一棵树适合数据，我们将尝试找到最能解释结果变量的树。如果改用Boosting，我们将尝试找到树木的最佳线性组合。

但是，使用Boosting可以提高效率，因为我们没有随机树的集合，但是我们尝试根据尚无法很好预测的示例构建新树。

有关更多信息，我建议阅读《统计学习要素》的第10章：http : //statweb.stanford.edu/~tibs/ElemStatLearn/

尽管这并不是您所提问题的完整答案，但希望对您有所帮助。