Machine learning

Véletlen erdő

A véletlen erdő (Random Forest) egy együttes tanulási módszer, amelyet Leo Breiman vezetett be 2001-ben. Számos döntési fát növeszt az adatok bootstrap mintáin, és kombinálja a szavazataikat, hogy erős osztályozást és regressziót hozzon létre. Sok kissé eltérő fa összevonásával pontosabb és stabilabb előrejelzéseket produkál, mint bármelyik egyedi fa.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDownload slides

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Method map

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

Véletlen erdő

Döntési fa Logistic Regression Support Vector Machine (…XGBoost Aktív Tanulási Döntési Fa Aktív Tanulás Gradient B…Active Learning LightGBM Aktív Tanulás Lineáris R…Logisztikus regresszióva…Aktív tanulású Support V…

+127 more

Források

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

Hogyan hivatkozzon erre az oldalra

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/hu/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.

Döntési faGépi tanulás↔ compare
Logistic RegressionKutatási statisztika↔ compare
Support Vector Machine (Osztályozás)Gépi tanulás↔ compare
XGBoostGépi tanulás↔ compare

Compare side by side →

Hivatkozik rá

Aktív Tanulási Döntési Fa Aktív Tanulás Gradient Boosting Active Learning LightGBM Aktív Tanulás Lineáris Regresszió Logisztikus regresszióval végzett aktív tanulás Aktív tanulású Support Vector Machine AdaBoost Attention Mechanism Bagging (Bootstrap Aggregating)Bagging Ensemble Bayes-féle Bagging Bayes-féle Döntési Fa Bayesian k-Legközelebbi szomszédok Bayes-féle LightGBM Bayesian véletlen erdő Bayesian XGBoost BERT finomhangolás A Bidirectional RNN Boosting Kapszulahálózat CatBoost CNN képosztályozás Konvolúciós neurális hálózat (osztályozás)DBSCAN Döntési fa Mély megerősítéses tanulás DeepAR Digitális talaj))^mapping (DSM)Dilated CNN Dupla gépi tanulás Elastic Net Ensemble aktív tanulás Ensemble Apriori Algoritmus Ensemble Döntési Fa Ensemble Gauss-Mixture Modell Ensemble Gauss-Folyamat Ensemble Gradiens Erősítés Ensemble Isolation Forest Ensemble K-Legközelebbi Szomszédok (KNN)Ensemble Linear Regression Ensemble logisztikus regresszió Ensemble Metrika Tanulás Ensemble Naive Bayes (Ensemble Naiv Bayes)Online Ensemble Tanulás Ensemble öntanuló rendszerek (Ensemble Self-supervised Learning)Ensemble Szupport Vektor Gép Ensemble Transzfer Tanulás Áttekinthető döntési fa Magyarázható Extra fák Magyarázható gradiens boosting Magyarázható K-Means K-Nearest Neighbors magyarázhatóvá tétele (Explainable K-Nearest Neighbors)Magyarázható LightGBM Magyarázható Többrétegű Perceptron Magyarázható Naiv Bayes Magyarázható Random Forest Magyarázható Stacking Ensemble Magyarázható XGBoost Extra Trees Gauss-folyamat Geographically Weighted Random Forest GPT finomhangolás Gradient Boosting Gráfon alapuló figyelmi hálózat Gráfon alapuló neurális hálózat Kapuzott rekurrens egység (GRU)Informer Isolation Forest K-Means klaszterezés K-Legközelebbi szomszédok A tudásdesztilláció Címkepropagáció LightGBM LIME: Helyi értelmezhető modellagnosztikus magyarázatok Lineáris diszkriminanciaanalízis (LDA)Lineáris Regresszió (ML)Logisztikus regresszió (ML)Longformer / BigBird LoRA és PEFT LSTM Gépi tanulással támogatott epigenom-szintű asszociációs vizsgálat (ML-EWAS)Gépi tanulással támogatott GWAS Gépi tanulással támogatott metabolomikai analízis Gépi tanulással támogatott mikrobiomdiverzitás-elemzés Gépi tanulással támogatott útvonal-gazdagítási analízis Gépi tanulással támogatott RNA-seq differenciálexpressziós analízis Többségi szavazás Szakértők keveréke Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Multinomial Logistic Regression N-BEATS N-HiTS Bayes-féle naiv klasszifikáló Neuronális Architektúra Keresés Neural ODE Online Bagging Online Random Forest PatchTST Pixelenkénti képosztályozás Regularizált döntési fa Regularized Random Forest Regularized Stacking Ensemble Robust Bagging Robusztus Döntési Fa Robuszt Gradient Boosting Robusztus LightGBM Robust Random Forest Robust Stacking Ensemble Robusztus Szavazó Ensemble Multi-Head Self-Attention Önszupervizált döntési fa Önfelügyelt gradiens növelés Önfelügyelt Random Forest Önfelügyelt Halmozott Együttes Félfelügyelt Bagging Félfelügyelt döntési fa Félfelügyelt FP-growth Félfelügyelt Isolation Forest Félfelügyelt Random Forest Félfelügyelt Stacking Ensemble Félfelügyelt Támogató Vektor Gép Félfelügyelt XGBoost Szekvencia-szekvencia modell SHAP (SHapley Additive exPlanations)Halmozás Sztochasztikus gradiens leszúrás (SGD)Support Vector Machine (Osztályozás)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Vizuális kontrasztív tanulás Voting Ensemble XGBoost

Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →