Regulārizēts nejaušais mežs
Regulārizēts nejaušais mežs (RRF), ko 2012. gadā ieviesa Dengs un Rungers, paplašina standarta nejaušo mežu, pievienojot sodu, kas attur no sadalījumiem uz iezīmēm, kuras vēl nav izmantotas ansamblī. Šī iebūvētā regulārizācija rada retākus, mazāk liekus iezīmju apakškopas, padarot modeli īpaši vērtīgu, ja iezīmju atlase ir tikpat svarīga kā prognozēšanas precizitāte.
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
- Deng, H., & Runger, G. (2012). Feature selection via regularized trees. Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), IEEE, pp. 1–8. DOI: 10.1109/IJCNN.2012.6252640 ↗
- Deng, H., & Runger, G. (2013). Gene selection with guided regularized random forest. Pattern Recognition, 46(12), 3483–3489. DOI: 10.1016/j.patcog.2013.05.018 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Random Forest (RRF). ScholarGate. https://scholargate.app/lv/machine-learning/regularized-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
- Extra TreesMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Regulārizēts lēmumu koksMašīnmācīšanās↔ compare
- Regularizēta gradientu pastiprināšanaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →