Machine learning

Случайна гора

Случайната гора е метод за ансамблово обучение, въведен от Лео Брейман през 2001 г., който изгражда много дървета на решения върху бутстрап извадки от данните и комбинира техните гласове, за да произведе силна класификация и регресия. Чрез обединяване на много леко различни дървета, той произвежда по-точни и по-стабилни прогнози от всяко отделно дърво.

Отворете в MethodMindСкороВидеоСкороDownload slides

Прочетете целия метод

Само за членове

Влезте с безплатен профил, за да прочетете този раздел.

Method map

The neighbourhood of related methods — select a node to explore.

Случайна гора

Дърво на решенията Логистична регресия Методът на опорните вект…XGBoost Активно учене с дърво на…Активно обучение с гради…Активно обучение с Light…Линейна регресия с актив…Логистична регресия с ак…Поддържаща векторна маши…

+127 more

Източници

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7

Как да цитирате тази страница

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/bg/machine-learning/random-forest

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Дърво на решениятаМашинно обучение↔ compare
Логистична регресияСтатистика за изследвания↔ compare
Методът на опорните вектори (класификация)Машинно обучение↔ compare
XGBoostМашинно обучение↔ compare

Compare side by side →

Цитиран в

Активно учене с дърво на решенията Активно обучение с градиентен бустинг Активно обучение с LightGBM Линейна регресия с активно учене Логистична регресия с активно обучение Поддържаща векторна машина с активно обучение AdaBoost Механизъм на вниманието Bagging (Bootstrap Aggregating)Ансамбъл Bagging Байесовско агрегиране Байесов дърво на решенията Байесов k-най-близък съсед (Bayesian k-Nearest Neighbors)Bayesian LightGBM Байесов случаен лес Байесов XGBoost Финна настройка на BERT Двупосочна рекурентна невронна мрежа (Bidirectional RNN)Бустинг Капсулна мрежа CatBoost Класификация на изображения с помощта на конволюционни невронни мрежи (CNN)Конволюционна невронна мрежа (Класификация)DBSCAN Дърво на решенията Дълбоко обучение с подкрепление DeepAR Дигитално картографиране на почвите Разширена (Dilated) конволюционна невронна мрежа Двойно машинно обучение Elastic Net Ансамблово активно обучение Алгоритъм Ансамбъл Априори Ансамбъл от дървета на решенията Ансамблов модел на Гаусови смеси Ансамблов Гаусов Процес Ансамблово усилване на градиента (Ensemble Gradient Boosting)Ансамблов изолационен лес Ансамбъл от K-най-близки съседи Ансамблова линейна регресия Ансамблова логистична регресия Ансамблово изучаване на метрики Ансамблов наивен Бейс Ансамблово онлайн обучение Ансамблово самоконтролирано обучение Ансамбъл от машини с опорни вектори Ансамблово трансферно обучение Обясним дърво на решенията Обясними екстремни дървета Обясним градиентен бустинг Обясним K-средни Обясним метод на K-най-близки съседи Обясним LightGBM Обясним многослоен персептрон Обясним Наивен Бейс Обясним случаен лес Обясним стек-ансамбъл Обясним XGBoost Extra Trees Гаусов процес Географски претеглена случайна гора Фината настройка на GPT (GPT Fine-Tuning)Градиентен бустинг Графова невронна мрежа с внимание (GAT)Графови невронни мрежи Затворен рекурентен модул (GRU)Informer Isolation Forest Клъстериране с К-средни К-най-близки съседи Дестилация на знания Label Propagation LightGBM LIME: Локално интерпретируеми моделно-независими обяснения Линеен дискриминантен анализ (LDA)Линейна регресия (Мл)Логистична регресия (ML)Longformer / BigBird LoRA и PEFT LSTM Епигенетично-асоциативно изследване, подпомогнато от машинно обучение (ML-EWAS)Геномни асоциативни анализи, подпомогнати от машинно обучение Анализ на метаболомика с помощта на машинно обучение Машинно обучение-асистиран анализ на микробно разнообразие Машинно обучение-асистиран анализ на обогатяване на пътища Анализ на диференциална експресия на РНК-сек с помощта на машинно обучение Мнозинствено гласуване Смес от експерти Многослоен персептрон (MLP)Многослоен персептрон (MLP)Мултиномна логистична регресия N-BEATS N-HiTS Наивен Бейс Търсене на невронни архитектури Невронно ОДУ Онлайн пакетиране Онлайн случайна гора PatchTST Класификация на изображения на базата на пиксели Регуляризирано дърво на решенията Регуляризиран случаен лес Регуляризиран стекинг ансамбъл Устойчив бегинг Устойчиво дърво на решенията Устойчиво градиентно усилване Robust LightGBM Робастна случайна гора Устойчив стекен ансамбъл Устойчив гласуващ ансамбъл Многоглаво самовнимание Самообучаващо се дърво на решенията Самообучаващо се градиентно усилване Самообучаваща се случайна гора Самообучаваща се ансамблова стекинг класификация Полу-наблюдавано пакетиране Полусъпровождано дърво на решенията Полу-наблюдаван FP-growth Полу-наблюдавано дърво за изолация Полу-наблюдавано случайно дърво Полу-наблюдавано подреждане на ансамбли Полу-наблюдавана машина с опорни вектори Полу-контролиран XGBoost Моделът последователност-към-последователност SHAP (SHapley Additive exPlanations)Стакинг Стохастичен градиентен спусък (SGD)Методът на опорните вектори (класификация)Temporal Fusion Transformer TextCNN Трансформър (обработка на естествен език)UMAP Vision Transformer Визуално контрастивно обучение Гласуваща ансамблова схема XGBoost

Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →