Machine learning

Random Forest

Il Random Forest è un metodo di apprendimento d'insieme (ensemble learning), introdotto da Leo Breiman nel 2001, che costruisce molti alberi decisionali su campioni bootstrap dei dati e combina i loro voti per produrre classificazioni e regressioni robuste. Aggregando molti alberi leggermente diversi, produce previsioni più accurate e stabili rispetto a qualsiasi singolo albero.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Method map

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

Random Forest

Albero decisionale Regressione Logistica Support Vector Machine (…XGBoost Albero decisionale di ap…Gradient Boosting con Ap…[UNTRANSLATED: Active Le…Regressione Lineare con…Regressione Logistica co…Support Vector Machine p…

+127 more

Fonti

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

Come citare questa pagina

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

Albero decisionaleApprendimento automatico↔ compare
Regressione LogisticaStatistica per la ricerca↔ compare
Support Vector Machine (Classificazione)Apprendimento automatico↔ compare
XGBoostApprendimento automatico↔ compare

Compare side by side →

Citato da

Albero decisionale di apprendimento attivo Gradient Boosting con Apprendimento Attivo [UNTRANSLATED: Active Learning LightGBM]Regressione Lineare con Apprendimento Attivo Regressione Logistica con Apprendimento Attivo Support Vector Machine per l'Apprendimento Attivo [UNTRANSLATED: AdaBoost]Meccanismo di Attenzione Bagging (Bootstrap Aggregating)Bagging Ensemble Bagging Bayesiano Albero decisionale bayesiano k-Nearest Neighbors Bayesiano LightGBM Bayesiano Random Forest Bayesiano Bayesian XGBoost Fine-Tuning di BERT RNN Bidirezionale Boosting Capsule Network CatBoost Classificazione di immagini CNN Rete Neurale Convoluzionale (Classificazione)DBSCAN Albero decisionale Apprendimento per Rinforzo Profondo DeepAR Mappatura Digitale del Suolo CNN Dilatata Double Machine Learning Elastic Net Apprendimento Attivo d'Insieme Algoritmo Apriori d'Insieme Albero decisionale d'insieme Modello Gaussiano a Miscele d'Insieme Processo Gaussiano d'Insieme Gradient Boosting d'Insieme Foresta di Isolamento d'Insieme K-Nearest Neighbors Ensemble Regressione Lineare d'Insieme Regressione Logistica d'Insieme Apprendimento Ensemble di Metriche Ensemble Naive Bayes Apprendimento Ensemble Online Apprendimento Auto-supervisionato d'Insieme Macchina a vettori di supporto d'insieme Apprendimento per trasferimento d'insieme Albero Decisionale Spiegabile Extra Trees Spiegabili Gradient Boosting Spiegabile Explainable K-Means K-Nearest Neighbors Spiegabile LightGBM Spiegabile Perceptron multistrato spiegabile Naive Bayes Spiegabile Foresta Casuale Spiegabile Stacking Spiegabile XGBoost Spiegabile Alberi Extra Processo Gaussiano Random Forest Geograficamente Pesato Fine-Tuning di GPT Gradient Boosting Rete di Attenzione su Grafo Reti Neurali su Grafo Unità Ricorrente Gated (GRU)Informer Isolation Forest Clustering K-Means K-Nearest Neighbors Distillazione della Conoscenza Label Propagation LightGBM LIME: Local Interpretable Model-agnostic Explanations Analisi Discriminante Lineare (LDA)Regressione Lineare (ML)Regressione Logistica (ML)Longformer / BigBird LoRA e PEFT LSTM Studio di associazione su tutto l'epigenoma assistito da ML (ML-EWAS)GWAS assistita da Machine Learning Analisi Metabolomica Assistita da Machine Learning Analisi della diversità del microbioma assistita da Machine Learning Analisi di arricchimento di pathway assistita da apprendimento automatico Analisi dell'espressione differenziale RNA-seq assistita da Machine Learning Voto a Maggioranza Mixture of Experts Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Regressione Logistica Multinomiale N-BEATS N-HiTS Naive Bayes Ricerca Architetturale Neurale Neural ODE Bagging Online Online Random Forest PatchTST Classificazione basata sui pixel Albero decisionale regolarizzato Random Forest Regolarizzato Ensemble di Impilamento Regolarizzato Bagging Robusto Albero decisionale robusto Gradient Boosting Robusto LightGBM Robusto Random Forest Robusto Ensemble Robusto a Impilamento Ensemble di Voto Robusto Auto-attenzione multi-testa Albero decisionale auto-supervisionato Gradient Boosting Auto-supervisionato Self-supervised Random Forest Insieme di Impilamento Auto-supervisionato Bagging Semi-Supervisionato Albero decisionale semi-supervisionato FP-growth semi-supervisionato Isolation Forest semi-supervisionato Random Forest Semi-Supervisionato Semi-supervised Stacking Ensemble Support Vector Machine Semi-Supervised (S3VM)XGBoost semi-supervisionato Modello Sequence-to-Sequence SHAP (SHapley Additive exPlanations)Stacking Discesa del Gradiente Stocastico (SGD)Support Vector Machine (Classificazione)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Apprendimento visivo contrastivo Ensemble a votazione XGBoost

Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →