Machine learningSpatial machine learning
지리적 가중치 랜덤 포레스트
Geographically Weighted Random Forest (GWRF)는 각 관측 위치마다 독립적인 Random Forest 모델을 적합시키고, 공간 커널 함수를 통해 가까운 훈련 샘플에 원거리 샘플보다 더 높은 가중치를 부여하는 공간적으로 국소적인 앙상블 학습 방법입니다. 이 방법은 2019년(2021년 출판) Stefanos Georganos와 동료들이 Breiman의 Random Forest를 확장하여 예측 변수-반응 관계가 지리적 공간에 따라 달라지는 현상인 공간적 비정상성(spatial non-stationarity)을 다루기 위해 도입했습니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/ko/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.
- 지리 가중 회귀 분석 (Geographically Weighted Regression, GWR)공간분석↔ compare
- 랜덤 포레스트머신러닝↔ compare
- 공간 시차 모형 (SAR / 공간 자기회귀)공간분석↔ compare