HexaClus++：一种结合不确定性感知的空间聚类方法用于地理空间预测建模

《Applied Sciences》：HexaClus: Uncertainty-Aware Hexagonal Supervised Spatial Clustering++

　　由于地理空间数据的异质性和分布不均匀，预测性地理空间技术通常需要同时提供准确的目标预测和不确定性量化。然而，现有方法通常仅提供事后的不确定性估计，而非利用不确定性来指导空间模型本身的训练过程。为克服这些局限性，我们提出了 HexaClus++，一种有监督、具有不确定性感知能力的、基于空间聚类的方法，它将精度和不确定性相结合，以指导对聚类后的空间六边形区域的局部模型训练。为评估我们技术的性能，我们使用多种机器学习方法对房产估值数据集进行了实验。结果表明，HexaClus++ 在与不同基础学习器结合使用时，不仅能达到具有竞争力的精度，还能提供良好的不确定性校准、可靠的预测区间，并通过区域不确定性图和空间变化的特征重要性增强了可解释性。