Geographically Weighted Random Forest
A Geographically Weighted Random Forest (GWRF) egy térbelileg lokális együttes tanulási módszer, amely minden egyes megfigyelési helyen illeszt egy független Random Forest modellt, a közeli tréningmintákat nagyobb súllyal veszi figyelembe, mint a távoliakat egy térbeli kernel függvény segítségével. Stefanos Georganos és kollégái vezették be 2019-ben (publikálva 2021-ben), mint Breiman Random Forest módszerének kiterjesztését a térbeli nem-stacionaritás kezelésére — arra a jelenségre, amikor az előrejelző-válasz összefüggések a földrajzi térben változnak.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/hu/spatial-analysis/geographically-weighted-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.
- Földrajzilag súlyozott regresszió (GWR)Térbeli elemzés↔ compare
- Véletlen erdőGépi tanulás↔ compare
- Térbeli Lag Modell (SAR / Autoregresszív Térbeli)Térbeli elemzés↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →