جنگل تصادفی
جنگل تصادفی یک روش یادگیری جمعی است که در سال ۲۰۰۱ توسط لئو بریمن معرفی شد. این روش با رشد دادن تعداد زیادی درخت تصمیم بر روی نمونههای بوتاسترپ دادهها و ترکیب آرای آنها، طبقهبندی و رگرسیون قدرتمندی را تولید میکند. با تجمیع بسیاری از درختان کمی متفاوت، پیشبینیهای دقیقتر و پایدارتری نسبت به هر یک از درختان به تنهایی ارائه میدهد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+127 more
منابع
- Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fa/machine-learning/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.
- درخت تصمیمیادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- ماشین بردار پشتیبان (طبقهبندی)یادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →