Bayesiansk tilfældig skov
Bayesiansk tilfældig skov udvider den klassiske tilfældige skov ved at placere en prior-fordeling over træstrukturer og bladparametre, og derefter sample eller approksimere posterior-fordelingen over dette ensemble. Resultatet er et sæt forudsigelser ledsaget af kalibrerede usikkerhedsestimater — en kapacitet, som standard tilfældige skove mangler — hvilket gør den værdifuld, når viden om modellens sikkerhed betyder lige så meget som selve forudsigelsen.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/da/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.
- Bayesiansk aktiv læringMaskinlæring↔ compare
- Bayesiansk beslutningstræMaskinlæring↔ compare
- Bayesiansk semi-superviseret læringMaskinlæring↔ compare
- Gaussisk procesMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →