Geographically Weighted Random Forest
Geographically Weighted Random Forest (GWRF) és un mètode d'aprenentatge per lots espacialment local que ajusta un model independent de Random Forest a cada ubicació d'observació, ponderant les mostres d'entrenament properes més que les distants mitjançant una funció de nucli espacial. Va ser introduït per Stefanos Georganos i col·laboradors el 2019 (publicat el 2021) com una extensió del Random Forest de Breiman per gestionar la no-estacionarietat espacial —el fenomen on les relacions predictor-resposta varien a través de l'espai geogràfic.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Mapa de mètodes
El veïnat de mètodes relacionats — seleccioneu un node per explorar-lo.
Fonts
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/ca/spatial-analysis/geographically-weighted-random-forest
Quin mètode?
Poseu aquest mètode al costat dels seus parents més pròxims i llegiu-los de costat a costat — la biblioteca disposa els llibres sobre la taula; la tria és vostra.
- Regressió Ponderada Geogràficament (GWR)Anàlisi espacial↔ compara
- Random ForestAprenentatge automàtic↔ compara
- Model de Lag Espacial (SAR / Autoregressiu Espacial)Anàlisi espacial↔ compara
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →