ScholarGate
Βοηθός
Machine learningSpatial machine learning

Γεωγραφικά Σταθμισμένο Τυχαίο Δάσος

Το Γεωγραφικά Σταθμισμένο Τυχαίο Δάσος (GWRF) είναι μια χωρικά τοπική μέθοδος ομαδικής μάθησης (ensemble learning) που προσαρμόζει ένα ανεξάρτητο μοντέλο Τυχαίου Δάσους σε κάθε θέση παρατήρησης, σταθμίζοντας τα κοντινά δείγματα εκπαίδευσης περισσότερο από τα απομακρυσμένα μέσω μιας συνάρτησης χωρικού πυρήνα. Εισήχθη από τον Stefanos Georganos και τους συνεργάτες του το 2019 (δημοσιεύτηκε το 2021) ως επέκταση του Τυχαίου Δάσους του Breiman για την αντιμετώπιση της χωρικής μη-στασιμότητας — του φαινομένου όπου οι σχέσεις προβλεπτικών-αποκριτικών μεταβλητών ποικίλλουν στον γεωγραφικό χώρο.

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. Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateGeographically Weighted Random Forest (Geographically Weighted Random Forest (GWRF)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/spatial-analysis/geographically-weighted-random-forest · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026