Ignoriert RandomForest die räumliche Unabhängigkeit?

Ich habe 5 Variablen für jedes Land der Welt und ich muss deren Auswirkungen und Wechselwirkungen auf eine unabhängige Variable analysieren. Random Forest wäre für meinen Anwendungsbereich angemessen, da es sich um nichtlineare Beziehungen handelt und die Wichtigkeit von Variablen vorhersagt. Ich frage mich jedoch, ob räumliche Abhängigkeit ein Problem sein kann. Ich habe noch nie eine räumliche Abhängigkeit gesehen, die in HF-Anwendungen diskutiert wurde, selbst wenn sie häufig für räumliche Daten verwendet wurde.

Es gibt kein Problem mit der räumlichen Autokorrelation Ihrer Antwort oder erklärenden Variablen. Es ist eine völlig nicht parametrische Technik. Ich habe es für die Interpolation von Variablen der strukturellen Vielfalt in meinem Land verwendet, basierend auf In-situ-Daten aus einem regulären Raster, und die Einführung der Koordinaten als Kovariablen führt sogar zu besseren Vorhersagen. Dies liegt daran, dass Random Forest auf einem Divide-and-Conquer-Ansatz (Klassifizierungs- und Regressionsbäume) basiert. Dies bedeutet, dass Ihr Feature-Space in disjunkte Teilmengen unterteilt wird, in denen einfachere Modelle (standardmäßig ein einfacher Durchschnitt bei Regression) gute Vorhersagen liefern können. Die Einführung der Koordinaten als Variablen nutzt in meinem Fall die räumliche Autokorrelation aus, da es sinnvoll ist, dass sich bestimmte geografische Untergruppen des Landes homogen verhalten.