Geografisk vægtet random forest
Geographically Weighted Random Forest (GWRF) er en rumligt lokal ensemble-læringsmetode, der tilpasser en uafhængig Random Forest-model ved hver observationslokation, hvor nærliggende træningsprøver vægtes tungere end fjerntliggende via en rumlig kernefunktion. Den blev introduceret af Stefanos Georganos og kolleger i 2019 (publiceret 2021) som en udvidelse af Breimans Random Forest til at håndtere rumlig ikke-stationaritet – fænomenet, hvor prædiktor-respons-relationer varierer på tværs af geografisk rum.
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
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/da/spatial-analysis/geographically-weighted-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.
- Geografisk vægtede regression (GWR)Rumlig analyse↔ compare
- Random ForestMaskinlæring↔ compare
- Spatial Lag Model (SAR / Spatial Autoregressive)Rumlig analyse↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →