Geographically Weighted Random Forest
Geographically Weighted Random Forest (GWRF) ist eine räumlich-lokale Ensemble-Lernmethode, die an jedem Beobachtungsort ein unabhängiges Random-Forest-Modell anpasst, wobei nahegelegene Trainingsstichproben durch eine räumliche Kernfunktion stärker gewichtet werden als entfernte. Sie wurde 2019 (veröffentlicht 2021) von Stefanos Georganos und Kollegen als Erweiterung von Breimans Random Forest eingeführt, um räumliche Nicht-Stationarität zu behandeln – das Phänomen, bei dem Prädiktor-Antwort-Beziehungen im geografischen Raum variieren.
Die vollständige Methode lesen
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.
Quellen
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/de/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.
- Geographisch gewichtete Regression (GWR)Räumliche Analyse↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Spatial-Lag-Modell (SAR / Spatial Autoregressive)Räumliche Analyse↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →