Quando si selezionano più risposte, JMP attualmente crea un singolo albero per ciascuna risposta. Questi alberi possono successivamente essere combinati per l'analisi.
Vorremmo invece poter avere un unico albero che si adatti al meglio a tutte le risposte contemporaneamente .
Questa funzionalità è disponibile come chiamata di funzione Python RandomForestRegressor nel popolare pacchetto Sklearn.
Ci sono molti articoli disponibili sull'argomento, ad esempio:
"Divisione della selezione delle variabili per alberi di regressione multivariata", Hsiao e Shih, 2006, ScienceDirect.
Vorremmo che questa funzionalità, una volta implementata per gli alberi decisionali, fosse estesa ai metodi Bootstrap Forest e Boosted tree.
