Machine learningMachine learning

Online Random Forest

Online Random Forest (ORF) the Random Forest کلاسیک را به محیط‌های جریانی تعمیم می‌دهد و هر درخت را به صورت افزایشی با ورود مشاهدات جدید به‌روزرسانی می‌کند، بدون اینکه مجموعه داده آموزشی کامل را ذخیره یا مجدداً پخش کند. الگوریتم‌هایی مانند Adaptive Random Forests (ARF) تشخیص رانش را اضافه می‌کنند تا مجموعه زمانی که توزیع داده‌ها در طول زمان تغییر می‌کند، سازگار شود.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

+2 more

منابع

  1. Saffari, A., Leistner, C., Santner, J., Godec, M., & Bischof, H. (2009). On-line random forests. In Proceedings of the 3rd IEEE International Workshop on On-Line Learning for Computer Vision (OLCV 2009), pp. 1–8. IEEE. link
  2. Gomes, H. M., Bifet, A., Read, J., Barddal, J. P., Enembreck, F., Pfharinger, B., Holmes, G., & Abdessalem, T. (2017). Adaptive random forests for evolving data stream classification. Machine Learning, 106(9), 1469–1495. DOI: 10.1007/s10994-017-5642-8

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Online Random Forest (Incremental Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fa/machine-learning/online-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

ارجاع‌شده در

ScholarGateOnline Random Forest (Online Random Forest (Incremental Ensemble of Decision Trees)). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/machine-learning/online-random-forest · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026