Machine learning

Random Forest

Random Forest ist eine von Leo Breiman im Jahr 2001 eingeführte Ensemble-Lernmethode, die viele Entscheidungsbäume auf Bootstrap-Stichproben der Daten wachsen lässt und deren Voten kombiniert, um robuste Klassifikationen und Regressionen zu erzeugen. Durch die Zusammenfassung vieler leicht unterschiedlicher Bäume liefert sie genauere und stabilere Vorhersagen als jeder einzelne Baum.

In MethodMind öffnenDemnächstVideoDemnächstDownload slides

Die vollständige Methode lesen

Nur für Mitglieder

Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.

Method map

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

Random Forest

Entscheidungsbaum Logistische Regression Support Vector Machine (…XGBoost Entscheidungsbaum für ak…Gradient-Boosting mit ak…Active Learning LightGBM Aktives Lernen mit linea…Aktives Lernen mit logis…Active Learning Support…

+127 more

Quellen

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

So zitieren Sie diese Seite

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

EntscheidungsbaumMaschinelles Lernen↔ compare
Logistische RegressionForschungsstatistik↔ compare
Support Vector Machine (Klassifikation)Maschinelles Lernen↔ compare
XGBoostMaschinelles Lernen↔ compare

Compare side by side →

Referenziert von

Entscheidungsbaum für aktives Lernen Gradient-Boosting mit aktivem Lernen Active Learning LightGBM Aktives Lernen mit linearer Regression Aktives Lernen mit logistischer Regression Active Learning Support Vector Machine AdaBoost Attention Mechanism Bagging (Bootstrap Aggregating)Bagging-Ensemble Bayesian Bagging Bayesian Decision Tree Bayesian k-Nearest Neighbors Bayesian LightGBM Bayesian Random Forest Bayesian XGBoost BERT-Feinabstimmung Bidirectional RNN Boosting Kapselnetzwerk CatBoost CNN-Bildklassifikation Faltungsneuronales Netz (Klassifikation)DBSCAN Entscheidungsbaum Deep Reinforcement Learning DeepAR Digitale Bodenkartierung Das Dilatierte CNN Double Machine Learning Elastic Net Ensemble Active Learning Ensemble-Apriori-Algorithmus Ensemble Decision Tree (Ensemble-Entscheidungsbaum)Ensemble Gaussian Mixture Model (Ensemble-Gaußsches Mischungsmodell)Ensemble Gaußscher Prozess Ensemble Gradient Boosting Ensemble Isolation Forest (Ensemble-Isolationswald)Ensemble K-Nearest Neighbors (Ensemble-K-nächste-Nachbarn)Ensemble-Lineare Regression Ensemble Logistic Regression Ensemble-Metrik-Lernen Ensemble Naive Bayes Ensemble Online Learning Ensemble Self-supervised Learning Ensemble Support Vector Machine (Ensemble-Stützvektor-Maschine)Ensemble Transfer Learning Erklärbarer Entscheidungsbaum Erklärbare Extra Trees Erklärbarer Gradient Boosting Erklärbares K-Means Erklärbares K-Nächstes-Nachbarn-Verfahren Erklärbares LightGBM Erklärbares Multilayer Perceptron Erklärbarer Naive Bayes Erklärbarer Zufallswald Erklärbares Stacking-Ensemble Erklärbares XGBoost Extra Trees Gauß-Prozess Geographically Weighted Random Forest GPT-Feinabstimmung Gradient Boosting Graph Attention Network Graph Neural Network Gated Recurrent Unit (GRU)Informer Isolation Forest K-Means-Clustering K-Nearest Neighbors Wissensdestillation Label Propagation LightGBM LIME: Local Interpretable Model-agnostic Explanations Lineare Diskriminanzanalyse (LDA)Lineare Regression (ML)Logistische Regression (ML)Longformer / BigBird LoRA und PEFT LSTM ML-gestützte Epigenomweite Assoziationsstudie (ML-EWAS)ML-GWAS (Machine Learning-Assisted Genome-Wide Association Study)Maschinelles Lernen-gestützte Metabolomik-Analyse Maschinelles Lernen-gestützte Mikrobiom-Diversitätsanalyse Maschinelles Lernen-gestützte Pathway-Analyse Machine learning-assisted RNA-seq differential expression Mehrheitsentscheid Mixture of Experts Multilayer-Perzeptron (MLP)Mehrschichtiges Perzeptron (MLP)Multinomiale logistische Regression N-BEATS N-HiTS Naive Bayes Neuronale Architektursuche Neuronale ODE Online Bagging Online Random Forest PatchTST Pixelbasierte Bildklassifizierung Regularisierter Entscheidungsbaum Regularized Random Forest Regularisierte Stapel-Ensemble Robuster Bagging Robuster Entscheidungsbaum Robustes Gradient Boosting Robust LightGBM Robuster Zufallswald Robustes Stacking-Ensemble Robuste Abstimmungs-Ensemble Multi-Head Self-Attention Selbstüberwachte Entscheidungsbäume Self-supervised Gradient Boosting Selbstüberwachtes Zufallswald Selbstüberwachte Stapel-Ensemble Halbüberwachtes Bagging Halb-überwachtes Entscheidungsbaumverfahren Semi-supervidiertes FP-growth Halbüberwachte Isolation Forest Semi-supervised Random Forest Semi-supervised Stacking Ensemble Halb-überwachte Support Vector Machine Semi-supervised XGBoost Sequence-to-Sequence Model SHAP (SHapley Additive exPlanations)Stacking Stochastischer Gradientenabstieg (SGD)Support Vector Machine (Klassifikation)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Visuelles kontrastives Lernen Voting Ensemble XGBoost

Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →