Robustní náhodný les (Robust Random Forest)
Robustní náhodný les rozšiřuje standardní souborovou metodu Random Forest o mechanismy, které snižují vliv odlehlých hodnot, šumu v označeních (labelech) a poškozených pozorování. Namísto toho, aby se ke všem trénovacím instancím přistupovalo stejně, aplikuje strategie vážení nebo filtrování, takže zašuměné nebo anomální vzorky přispívají méně k jednotlivým rozdělením stromů, což vede k predikcím, které zůstávají spolehlivé i při nedokonalé kvalitě dat.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Zdroje
- Chen, S., & Guestrin, C. (2019). Robust Random Forest. In Proceedings of the 36th International Conference on Machine Learning (ICML). Also see: Gao, W., & Zhou, Z.-H. (2013). On the Doubt about Margin Explanation of Boosting. Artificial Intelligence, 203, 1–18. link ↗
- Random Forest. Wikipedia. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/cs/machine-learning/robust-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.
- Bagging (Bootstrap Aggregating)Strojové učení↔ compare
- Rozhodovací stromStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Isolation ForestStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →