Árvores de decisão aprimoradas calibradas em R ou MATLAB

Em uma comparação empírica de algoritmos de aprendizado supervisionado (ICML 2006), os autores (Rich Caruana e Alexandru Niculescu-Mizil) avaliaram vários algoritmos de classificação (SVMs, ANN, KNN, florestas aleatórias, árvores de decisão, etc.) e relataram que árvores potencializadas calibradas classificado como o melhor algoritmo de aprendizado geral em oito métricas diferentes (F-score, Área ROC, precisão média, entropia cruzada etc.).

Eu gostaria de testar as árvores de decisão aprimoradas calibradas em um de meus projetos e queria saber se alguém poderia sugerir um bom pacote R ou uma biblioteca MATLAB para isso.

Eu sou relativamente novo em R, embora tenha uma grande experiência com MATLAB e Python. Eu li sobre o gbm , tree e rpart do R, mas não tenho certeza se esses pacotes implementam árvores de decisão aprimoradas calibradas ou se existem outros que os implementam.

obrigado

Sobre R, eu votaria no pacote gbm ; há uma vinheta que fornece uma boa visão geral: Modelos impulsionados generalizados: um guia para o pacote gbm . Se você estiver procurando por uma interface unificada para os algoritmos de ML, recomendo o pacote de interpolação com recursos internos para pré-processamento de dados, reamostragem e avaliação comparativa do desempenho do modelo. Outros pacotes para árvores potencializadas são relatados na Tabela 1 de uma de suas vinhetas, funções de ajuste do modelo, previsão e desempenho . Há também um exemplo de ajuste de parâmetros para árvores potencializadas no artigo JSS , pp. 10-11.

Nota: Eu não verifiquei, mas você também pode pesquisar no Weka (existe uma interface R, RWeka ).