Machine learning

Random Forest

Random Forest je metoda ansámblového učení, kterou v roce 2001 představil Leo Breiman. Tato metoda vytváří mnoho rozhodovacích stromů na bootstrapových vzorcích dat a kombinuje jejich hlasy k produkci silné klasifikace a regrese. Spojením mnoha mírně odlišných stromů dosahuje přesnějších a stabilnějších predikcí než jakýkoli jednotlivý strom.

Otevřít v MethodMindJiž brzyVideoJiž brzyDownload slides

Přečíst celou metodu

Pouze pro členy

Pro přečtení této sekce se přihlaste s bezplatným účtem.

Method map

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

Random Forest

Rozhodovací strom Logistická regrese Stroj s podpůrnými vekto…XGBoost Rozhodovací strom pro ak…Aktivní učení s gradient…Active Learning LightGBM Lineární regrese s aktiv…Logistická regrese s akt…Aktivní učení s podpůrný…

+127 more

Zdroje

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

Jak citovat tuto stránku

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/cs/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.

Rozhodovací stromStrojové učení↔ compare
Logistická regreseStatistika ve výzkumu↔ compare
Stroj s podpůrnými vektory (klasifikace)Strojové učení↔ compare
XGBoostStrojové učení↔ compare

Compare side by side →

Odkazuje sem

Rozhodovací strom pro aktivní učení Aktivní učení s gradientním posilováním Active Learning LightGBM Lineární regrese s aktivním učením Logistická regrese s aktivním učeniem Aktivní učení s podpůrnými vektory AdaBoost Mechanismus pozornosti Bagging (Bootstrap Aggregating)Bagging Ensemble Bayesian Bagging Bayesovský rozhodovací strom Bayesovské k-nejbližších sousedů Bayesian LightGBM Bayesovský náhodný les Bayesovský XGBoost Dolaďování modelu BERT Obousměrná rekurentní neuronová síť Zesilování Kapsulová síť CatBoost Klasifikace obrazu pomocí CNN Konvoluční neuronová síť (klasifikace)DBSCAN Rozhodovací strom Hluboké zpatňované učení DeepAR Digitální mapování půd Dilated CNN Dvojité strojové učení Elastic Net Aktivní učení s výborem modelů Algoritmus Ensemble Apriori Ensemble rozhodovacích stromů Gaussovský směsný model (Ensemble Gaussian Mixture Model)Ensemble Gaussian Process Gradient Boosting Ensemble Isolation Forest Ensemble K-nejbližších sousedů Ensemble Lineární Regrese Logistická regrese s ensembly Ensemble Metric Learning (učení metrik pomocí ansámblů)Ensemble Naive Bayes Online učení s ansámbly Ensemble Self-supervised Learning Ensemble Support Vector Machine Ensemble Transfer Learning Vysvětlitelný rozhodovací strom Vysvětlitelné extrémní náhodné stromy Vysvětlitelný gradientní boosting Vysvětlitelné K-Means Vysvětlitelné K-nejbližších sousedů Vysvětlitelný LightGBM Vysvětlitelný vícevrstvý perceptron Vysvětlitelný Naive Bayes Vysvětlitelný náhodný les Vysvětlitelný skládaný ansámbl Vysvětlitelný XGBoost Extra Trees Gaussovský proces Geograficky vážený náhodný les Dolaďování GPT Gradient Boosting Grafová pozornostní síť Grafová neuronová síť Gated Recurrent Unit (GRU)Informer Isolation Forest K-Means shlukování Metoda K-nejbližších sousedů Destilace znalostí Propagace popisků LightGBM LIME: Lokálně interpretovatelné agnostické vysvětlení modelů Lineární diskriminační analýza (LDA)Lineární regrese (ML)Logistická regrese (ML)Longformer / BigBird LoRA a PEFT LSTM Epigenom-široká asociační studie s podporou ML (ML-EWAS)GWAS s podporou strojového učení Analýza metabolomiky s asistencí strojového učení Analýza diverzity mikrobiomu s asistencí strojového učení Analýza obohacení drah asistovaná strojovým učením Analýza diferenciální genové exprese RNA-seq s asistencí strojového učení Většinové hlasování Směs expertů Multi-layer Perceptron (MLP)Vícevrstvý perceptron (MLP)Multinomická logistická regrese N-BEATS N-HiTS Naive Bayes Automatické vyhledávání architektur neuronových sítí Neuronová ODR (ODE)Online Bagging Online Random Forest PatchTST Pixel-based image classification Regulovaný rozhodovací strom Regularizovaný náhodný les Regularizovaný skládaný ansámbl Robust Bagging Robustní rozhodovací strom Robustní Gradient Boosting Robustní LightGBM Robustní náhodný les (Robust Random Forest)Robustní skládaný ansámbl Robustní hlasovací ansámbl Multi-Head Self-Attention Samoučené rozhodovací stromy Samoučené vylepšování gradientním zesilováním Samoučící se náhodný les Samoučící se skládací ansámbl Semi-supervised Bagging Polopřeváděný rozhodovací strom Semi-supervised FP-growth Polo-dohledný Isolation Forest Semi-supervised Random Forest Polo-supervizované skládání (Semi-supervised Stacking Ensemble)Polopřeváděné podpůrné vektory (Semi-supervised Support Vector Machine)Semi-supervised XGBoost Model sekvence-sekvence SHAP (SHapley Additive exPlanations)Stacking Stochastický gradientní sestup (SGD)Stroj s podpůrnými vektory (klasifikace)Temporální fúzní transformátor TextCNN Transformer (NLP)UMAP Vision Transformer Vizuální kontrastivní učení Hlasovací ansámbl XGBoost

Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →