[UNTRANSLATED: Bayesian Random Forest...]
Bayesian Random Forest laajentaa klassista satunnaismetsää asettamalla priorijakauman puurakenteille ja lehtiparametreille, minkä jälkeen se otostaa tai approksimoi posteriorijakaumaa kyseisen ensemble-mallin yli. Tuloksena on joukko ennusteita, joihin liittyy kalibroidut epävarmuusarviot – ominaisuus, joka standardeilta satunnaismetsiltä puuttuu – tehden siitä arvokkaan silloin, kun mallin luottamuksen taso on yhtä tärkeä kuin itse ennuste.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen aktiivinen oppiminenKoneoppiminen↔ compare
- Bayesiläinen päätöspuuKoneoppiminen↔ compare
- Bayesiläinen puolivalvottu oppiminenKoneoppiminen↔ compare
- Gaussinen prosessiKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →