Machine learning

Random Forest

Random Forest ir ansambļa mācīšanās metode, ko 2001. gadā ieviesa Leo Breimans, un kas veido daudzas lēmumu koku struktūras uz bootstrap paraugiem no datiem un apvieno to balsis, lai iegūtu spēcīgu klasifikāciju un regresiju. Apvienojot daudzus nedaudz atšķirīgus kokus, tā nodrošina precīzākus un stabilākus prognozējumus nekā jebkurš atsevišķs koks.

Atvērt MethodMindDrīzumāVideoDrīzumāDownload slides

Lasīt pilno metodes aprakstu

Tikai dalībniekiem

Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.

Method map

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

Random Forest

Koku lēmumu pieņemšana (…Logistiskā regresija Atbalsta vektoru mašīna…XGBoost Aktīvā mācīšanās lēmumu…Aktīvās mācīšanās gradie…Aktīvā mācīšanās LightGBM Lineārās regresijas aktī…Loģistikās regresijas ak…Atvērtās mācīšanās atbal…

+127 more

Avoti

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

Kā citēt šo lapu

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

Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
Logistiskā regresijaPētniecības statistika↔ compare
Atbalsta vektoru mašīna (klasifikācija)Mašīnmācīšanās↔ compare
XGBoostMašīnmācīšanās↔ compare

Compare side by side →

Uz to atsaucas

Aktīvā mācīšanās lēmumu koks Aktīvās mācīšanās gradientu pastiprināšana Aktīvā mācīšanās LightGBM Lineārās regresijas aktīvā apguve Loģistikās regresijas aktīvā apguve Atvērtās mācīšanās atbalsta vektoru mašīna AdaBoost Attention mechanism Bagging (Bootstrap Aggregating)Bagging Ensemble Beijesiskā iepakojuma (Bayesian Bagging) metode Bayesian Decision Tree Beijesa k-tuvāko kaimiņu metode Bayesian LightGBM Beiziešu nejaušais mežs Bayesian XGBoost BERT Fine-Tuning Dкновеirziena atkārtojošais neironu tīkls Pastiprināšana Kapsulu tīkls CatBoost CNN attēlu klasifikācija Konvolūciju neironu tīkls (klasifikācija)DBSCAN Koku lēmumu pieņemšana (Decision Tree)Dziļā pastiprinātā mācīšanās DeepAR Digitālā augsnes karšu veidošana Paplašināta konvolūcija neironu tīklā (Dilated CNN)Dubultā mašīnmācīšanās Elastic Net Saliekamā aktīvā mācīšanās Algoritms Ensemble Apriori Ensemble Decision Tree Gaußiešu maisījumu modeļu ansamblis Gaußu procesu ansamblis Ensemble Gradient Boosting Ansambļa izolācijas mežs Ensemble K-Nearest Neighbors Ensemble Linear Regression Ensemble Logistic Regression Ansambļa metrikas mācīšanās Ensemble Naive Bayes Ensemble Online Learning Ensemble Self-supervised Learning Ensemble Support Vector Machine Ensemble Transfer Learning Skaidrojams lēmumu koks Izskaidrojamie papildu koki Paskaidrojamā gradientu pastiprināšana Skaidrojamais K-Means Skaidrojams K tuvāko kaimiņu algoritms Skaidrojamais LightGBM Skaidrojams daudzslāņu perceptrons Skaidrojams Naive Bayes Skaidrojams nejaušs mežs Skaidrojama sakraušanas ansamblis Skaidrojamais XGBoost Extra Trees Gausa process Ģeogrāfiski svērtais izlases mežs GPT smalkoregulēšana Gradient Boosting Grafu uzmanības tīkls (Graph Attention Network, GAT)Grafu neironu tīkls Iegādīts rekurents vienums (GRU)Informer Isolation Forest K-Means klasterizācija K-tuvākie kaimiņi Zināšanu destilācija Iezīmju izplatīšana LightGBM LIME: Lokāli interpretējamas modeļu neatkarīgas skaidrojumu metodes Lineārā diskriminanta analīze (LDA)Lineārā regresija (ML)Logistiskā regresija (ML)Longformer / BigBird LoRA un PEFT ILSM Epigenomu plaša asociācijas pētījumu (ML-EWAS) ar mašīnmācīšanos atbalstu Mašīnmācīšanās palīdzības GWAS Ar mašīnmācīšanos saistīta metabolomikas analīze Mašīnmācīšanās palīdzības mikrobiomu daudzveidības analīze Mašīnmācīšanās atbalstīta ceļu bagātināšanas analīze Mašīnmācīšanās atbalstīta RNS-sekvenēšanas diferenciālās ekspresijas analīze Balsojums vairākumā Ekspertu maisījums Daudzslāņu perceptrons (MLP)Daudzslāņu perceptrons (MLP)Daudzkārtējā loģistikas regresija N-BEATS N-HiTS Naive Bayes Neirālā arhitektūras meklēšana Neirālā ODE Online Bagging Tiešsaistes nejaušais mežs PatchTST Pikseļu bāzēta attēlu klasifikācija Regulārizēts lēmumu koks Regulārizēts nejaušais mežs Regularizēts "Stacking" ansamblis Robustā apvienošana (Robust Bagging)Robust Decision Tree Robustais gradientu pastiprinājums Robustais LightGBM Robust Random Forest Robust stacking ensemble Robustais balsošanas ansamblis Daudzgalvu paše-uzmanība Pašuzraudzītās lēmumu koku metodes Pašuzraudzīta gradienta pastiprināšana Pašuzraudzības kārtībā apmācīts Random Forest Pašuzraudzītā sakraušanas ansamblis Iesauktā daudzpakāpju apmācība (Semi-supervised Bagging)Pusuzraudzīts lēmumu koks Pusuzraudzīta FP-growth Pusuzraudzītā izolācijas meža metode (Semi-supervised Isolation Forest)Daļēji uzraudzīts Random Forest Puss-uzraudzīta sakrauta ansambļa metode Daļēji uzraudzīts atbalsta vektoru mašīna Daļēji uzraudzīts XGBoost Sekvences-sekvences modelis SHAP (SHapley Additive exPlanations)Stacking Stohastiskā gradienta metode (SGD)Atbalsta vektoru mašīna (klasifikācija)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Vizualā kontrastīvā apguve Balsošanas ansamblis XGBoost

Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →