Bayesi juhuslik mets
Bayesi juhuslik mets laiendab klassikalist juhuslikku metsa, asetades puustruktuuridele ja leheparameetritele eeljaotuse ning seejärel valimite võtmise või aproksimeerides järeldust selle ansambli üle. Tulemuseks on ennustuste kogum koos kalibreeritud ebakindluse hinnangutega – võimekus, mis klassikalistel juhuslikel metsadel puudub – muutes selle väärtuslikuks olukordades, kus mudeli enesekindluse teadmine on sama oluline kui ennustus ise.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/et/machine-learning/bayesian-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.
- Bayesi aktiivõpeMasinõpe↔ compare
- Bayesi otsustuspuuMasinõpe↔ compare
- Bayesian semi-supervised learningMasinõpe↔ compare
- Gaussi protsessMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →