Bayesovský náhodný les
Bayesovský náhodný les rozšiřuje klasický náhodný les tím, že umisťuje apriorní rozdělení na struktury stromů a parametry listů, a poté vzorkuje nebo aproximuje aposteriorní rozdělení nad tímto ansámblem. Výsledkem je sada predikcí doprovázená kalibrovanými odhady nejistoty — schopnost, která standardním náhodným lesům chybí, což jej činí cenným, když znalost jistoty modelu je stejně důležitá jako samotná predikce.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/cs/machine-learning/bayesian-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.
- Bayesian Active LearningStrojové učení↔ compare
- Bayesovský rozhodovací stromStrojové učení↔ compare
- Bayesovské částečně učící se modelyStrojové učení↔ compare
- Gaussovský procesStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →