Machine learning

Random Forest

Random Forest adalah metode pembelajaran ansambel, yang diperkenalkan oleh Leo Breiman pada tahun 2001, yang menumbuhkan banyak pohon keputusan pada sampel bootstrap dari data dan menggabungkan suara mereka untuk menghasilkan klasifikasi dan regresi yang kuat. Dengan menggabungkan banyak pohon yang sedikit berbeda, ia menghasilkan prediksi yang lebih akurat dan lebih stabil daripada pohon tunggal mana pun.

Buka di MethodMindSegeraVideoSegeraDownload slides

Baca metode selengkapnya

Khusus anggota

Masuk dengan akun gratis untuk membaca bagian ini.

Method map

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

Random Forest

Pohon Keputusan Regresi Logistik Support Vector Machine (…XGBoost Pohon Keputusan Pembelaj…Gradient Boosting Pembel…Pembelajaran Aktif Light…Regresi Linier Pembelaja…Regresi Logistik Pembela…Support Vector Machine P…

+127 more

Sumber

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

Cara menyitasi halaman ini

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

Pohon KeputusanPembelajaran Mesin↔ compare
Regresi LogistikStatistika Penelitian↔ compare
Support Vector Machine (Klasifikasi)Pembelajaran Mesin↔ compare
XGBoostPembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Pohon Keputusan Pembelajaran Aktif Gradient Boosting Pembelajaran Aktif Pembelajaran Aktif LightGBM Regresi Linier Pembelajaran Aktif Regresi Logistik Pembelajaran Aktif Support Vector Machine Pembelajaran Aktif AdaBoost Mekanisme Perhatian Bagging (Bootstrap Aggregating)Ensemble Bagging Bagging Bayesian Pohon Keputusan Bayesian K-Nearest Neighbors Bayesian Bayesian LightGBM Hutan Acak Bayesian XGBoost Bayesian Fine-Tuning BERT RNN Bidireksional Boosting Jaringan Kapsul CatBoost Klasifikasi Citra CNN Jaringan Saraf Tiruan Konvolusional (Klasifikasi)DBSCAN Pohon Keputusan Pembelajaran Penguatan Dalam DeepAR Pemetaan Tanah Digital CNN Dilasi Pembelajaran Mesin Ganda Elastic Net Pembelajaran Aktif Ensemble Algoritma Ensemble Apriori Pohon Keputusan Ensemble Model Campuran Gaussian Ensemble Gaussian Process Ensemble Peningkatkan Gradien Ensemble Ensemble Isolation Forest K-Nearest Neighbors Ensemble Regresi Linear Ensemble Regresi Logistik Ensemble Pembelajaran Metrik Ensemble Naive Bayes Ensemble Pembelajaran Daring Ensemble Pembelajaran Mandiri Ensemble Support Vector Machine Ensemble Pembelajaran Transfer Ensemble Pohon Keputusan yang Dapat Dijelaskan Extra Trees yang Dapat Dijelaskan Peningkatkan Gradien yang Dapat Dijelaskan K-Means yang Dapat Dijelaskan K-Tetangga Terdekat yang Dapat Dijelaskan LightGBM yang Dapat Dijelaskan Perseptron Berlapis Jelaskan Naive Bayes yang Dapat Dijelaskan Random Forest yang Dapat Dijelaskan Ensemble Tumpukan yang Dapat Dijelaskan XGBoost yang Dapat Dijelaskan Pohon Ekstra Proses Gaussian Random Forest Berbobot Geografis Fine-Tuning GPT Peningkatan Gradien Jaringan Perhatian Graf Jaringan Saraf Tiruan Graf Unit Berulang Gerbang (GRU)Informer Isolation Forest Klasterisasi K-Means K-Nearest Neighbors Distilasi Pengetahuan Propagasi Label LightGBM LIME: Penjelasan Model-Agnostik yang Dapat Diinterpretasikan Secara Lokal Analisis Diskriminan Linear (LDA)Regresi Linier (ML)Regresi Logistik (ML)Longformer / BigBird LoRA dan PEFT LSTM Studi Asosiasi Epigenom-Luas Berbantuan ML (ML-EWAS)Studi Asosiasi Seluruh Genom Berbantuan Pembelajaran Mesin Analisis Metabolomik Berbantuan Pembelajaran Mesin Analisis Keanekaragaman Mikrobioma Berbantuan Pembelajaran Mesin Analisis Pengayaan Jalur yang Dibantu Pembelajaran Mesin Analisis Ekspresi Diferensial RNA-seq Berbantuan Pembelajaran Mesin Pemungutan Suara Mayoritas Campuran Pakar Perseptron Berlapis (MLP)Multilayer Perceptron (MLP)Regresi Logistik Multinomial N-BEATS N-HiTS Naive Bayes Pencarian Arsitektur Neural ODE Neural Bagging Daring Random Forest Daring PatchTST Klasifikasi Citra Berbasis Piksel Pohon Keputusan Teregulasi Random Forest Teregulasi Ensembel Penumpukan Teregulasi Robust Bagging Pohon Keputusan Robust Gradient Boosting Robust Robust LightGBM Hutan Acak Robust Robust Stacking Ensemble Robust Voting Ensemble Multi-Head Self-Attention Pohon Keputusan Mandiri (Self-supervised Decision Tree)Gradient Boosting Mandiri Random Forest Mandiri-Terawasi Ensemble Stacking Diawasi Mandiri Semi-supervised Bagging Pohon Keputusan Semi-Terawasi Semi-supervised FP-growth Semi-supervised Isolation Forest Semi-supervised Random Forest Semi-supervised Stacking Ensemble Support Vector Machine Semi-Terawasi XGBoost Semi-Terawasi Model Sequence-ke-Sequence SHAP (SHapley Additive exPlanations)Stacking Stochastic Gradient Descent (SGD)Support Vector Machine (Klasifikasi)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Pembelajaran Kontrastif Visual Voting Ensemble XGBoost

Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →