Beiziešu nejaušais mežs
Beiziešu nejaušais mežs paplašina klasisko nejaušo mežu, piešķirot pirms sadalījumu koku struktūrām un lapu parametriem, pēc tam izlasot vai aptuveni aprēķinot posterioru pār šo ansambli. Rezultāts ir prognožu kopums, ko papildina kalibrēti nenoteiktības novērtējumi — spēja, kas standarta nejaušajiem mežiem trūkst, padarot to vērtīgu, kad zināšanas par modeļa pārliecību ir tikpat svarīgas kā pati prognoze.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/lv/machine-learning/bayesian-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.
- Beiziešu aktīvā mācīšanāsMašīnmācīšanās↔ compare
- Bayesian Decision TreeMašīnmācīšanās↔ compare
- Beijesiskā daļēji uzraudzītā apguveMašīnmācīšanās↔ compare
- Gausa processMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →