Machine learningMachine learning

Κανονικοποιημένο Τυχαίο Δάσος

Το Κανονικοποιημένο Τυχαίο Δάσος (RRF), που εισήχθη από τους Deng και Runger το 2012, επεκτείνει το τυπικό Τυχαίο Δάσος προσθέτοντας μια ποινή που αποθαρρύνει τις διακλαδώσεις σε χαρακτηριστικά που δεν έχουν ήδη χρησιμοποιηθεί στο σύνολο. Αυτή η ενσωματωμένη κανονικοποίηση παράγει αραιότερα, λιγότερο πλεονάζοντα υποσύνολα χαρακτηριστικών, καθιστώντας το μοντέλο ιδιαίτερα πολύτιμο όταν η επιλογή χαρακτηριστικών είναι εξίσου σημαντική με την προβλεπτική ακρίβεια.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

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

Πηγές

  1. Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8. DOI: 10.1109/IJCNN.2012.6252640
  2. Deng, H., & Runger, G. (2013). Gene selection with guided regularized random forest. Pattern Recognition, 46(12), 3483–3489. DOI: 10.1016/j.patcog.2013.05.018

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Regularized Random Forest (RRF). ScholarGate. https://scholargate.app/el/machine-learning/regularized-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.

Compare side by side

Αναφέρεται από

ScholarGateRegularized random forest (Regularized Random Forest (RRF)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/regularized-random-forest · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026