Random Forest Geograficamente Pesato
Il Random Forest Geograficamente Pesato (GWRF) è un metodo di apprendimento d'insieme spazialmente locale che adatta un modello Random Forest indipendente in ogni posizione di osservazione, ponderando i campioni di addestramento vicini più pesantemente di quelli distanti attraverso una funzione kernel spaziale. È stato introdotto da Stefanos Georganos e colleghi nel 2019 (pubblicato nel 2021) come estensione del Random Forest di Breiman per gestire la non stazionarietà spaziale — il fenomeno per cui le relazioni predittore-risposta variano nello spazio geografico.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Come citare questa pagina
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/it/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.
- Regressione Geograficamente Ponderata (GWR)Analisi spaziale↔ compare
- Random ForestApprendimento automatico↔ compare
- Modello a Lag Spaziale (SAR / Autoregressivo Spaziale)Analisi spaziale↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →