Forêt aléatoire géographiquement pondérée

La forêt aléatoire géographiquement pondérée (GWRF) est une méthode d'apprentissage d'ensemble spatialement locale qui ajuste un modèle de forêt aléatoire indépendant à chaque emplacement d'observation, en pondérant les échantillons d'entraînement proches plus fortement que les échantillons éloignés au moyen d'une fonction de noyau spatial. Elle a été introduite par Stefanos Georganos et ses collègues en 2019 (publiée en 2021) comme une extension de la forêt aléatoire de Breiman pour gérer la non-stationnarité spatiale — le phénomène où les relations prédicteur-réponse varient dans l'espace géographique.