Online Random Forest
Online Random Forest (ORF) rozšiřuje klasický Random Forest pro streamovací prostředí, přičemž každé strom aktualizuje inkrementálně, jakmile dorazí nová pozorování, aniž by ukládal nebo znovu zpracovával celou trénovací sadu. Algoritmy jako Adaptive Random Forests (ARF) přidávají detekci driftu, takže se soubor adaptuje, když se distribuce dat v čase mění.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Zdroje
- Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE. link ↗
- Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfharinger, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106(9), 1469–1495. DOI: 10.1007/s10994-017-5642-8 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online Random Forest (Incremental Ensemble of Decision Trees). ScholarGate. https://scholargate.app/cs/machine-learning/online-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.
- Online BaggingStrojové učení↔ compare
- Online rozhodovací stromStrojové učení↔ compare
- Online Gradient BoostingStrojové učení↔ compare
- Online LearningStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- Semi-supervised Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →