Regulirani slučajni šum
Regulirani slučajni šum (RRF), koji su 2012. predstavili Deng i Runger, proširuje standardni slučajni šum dodavanjem kazne koja obeshrabruje podjele na značajkama koje se već ne koriste u ansamblu. Ova ugrađena regularizacija proizvodi rjeđe, manje redundantne podskupove značajki, čineći model posebno vrijednim kada je odabir značajki jednako važan kao i prediktivna točnost.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8. DOI: 10.1109/IJCNN.2012.6252640 ↗
- Deng, H., & Runger, G. (2013). Gene selection with guided regularized random forest. Pattern Recognition, 46(12), 3483–3489. DOI: 10.1016/j.patcog.2013.05.018 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Random Forest (RRF). ScholarGate. https://scholargate.app/hr/machine-learning/regularized-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.
- Stablo odlučivanjaStrojno učenje↔ compare
- Extra TreesStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Regulirano stablo odlukeStrojno učenje↔ compare
- Regularizirani gradijentni boostingStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →