Bosque Aleatorio Geográficamente Ponderado
El Bosque Aleatorio Geográficamente Ponderado (GWRF, por sus siglas en inglés) es un método de aprendizaje de conjunto espacialmente local que ajusta un modelo independiente de Bosque Aleatorio en cada ubicación de observación, ponderando las muestras de entrenamiento cercanas más fuertemente que las distantes a través de una función de núcleo espacial. Fue introducido por Stefanos Georganos y colegas en 2019 (publicado en 2021) como una extensión del Bosque Aleatorio de Breiman para manejar la no estacionariedad espacial — el fenómeno donde las relaciones predictor-respuesta varían a través del espacio geográfico.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Cómo citar esta página
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/es/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.
- Regresión Geográficamente Ponderada (GWR)Análisis espacial↔ compare
- Random ForestAprendizaje automático↔ compare
- Modelo de Retardo Espacial (SAR / Autoregresivo Espacial)Análisis espacial↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →