Al seleccionar varias respuestas, JMP actualmente crea un árbol individual para cada respuesta. Estos árboles se pueden combinar posteriormente para su análisis.
En cambio, nos gustaría poder tener un único árbol que mejor se ajuste a todas las respuestas simultáneamente .
Esta capacidad está disponible como llamada a la función Python RandomForestRegressor en el popular paquete Sklearn.
Hay muchos artículos disponibles sobre el tema, por ejemplo:
"División de selección de variables para árboles de regresión multivariados", Hsiao y Shih, 2006, ScienceDirect.
Nos gustaría que esta capacidad, una vez implementada para los árboles de decisión, se extendiera a los métodos de árbol Bootstrap Forest y Boosted.
