我正在训练一个回归模型（使用分位数回归森林），以使用具有不同滞后时间的天气变量来预测作物产量与趋势（残差）的偏差。为了提高我的结果的准确性和可信度，我最近测试了将目标变量替换为它的平滑版本（使用局部加权散点图平滑计算，LOWESS），使用没有滞后时间的特征作为自变量（即，有滞后时间= 0) 试图从测量数据中去除噪声。下图中，叉号代表观测值，红点为异常值，灰线为因变量的平滑版本。
结果我得到了显着改善，但这种方法似乎有些不对劲。
我一直在研究机器学习中平滑技术的使用，并发现平滑是一种在数据预处理、特征工程和数据挖掘中用于噪声过滤的技术（例如，此处或此处；或此处，应用于时间序列预测）。一方面，从目标变量中去除噪声以估计从我试图建模的过程中得出的“真实值”听起来是合乎逻辑的；但是，我了解到预处理适用于特征（解释变量），我不确定平滑目标变量是一个有效的过程。总结一下：
用平滑版本替换目标变量是否有效？
如果是，鉴于用于平滑目标变量的自变量先验不可用，我应该如何进行？
一种。使用平滑的目标变量训练模型并使用原始目标变量对其进行测试；或者
湾。使用平滑的目标变量训练和测试模型。
任何想法将不胜感激。