Robust Random Forest
Robust Random Forest paplašina standarta Random Forest ansambli, iekļaujot mehānismus, kas samazina ārēju novērojumu, kļūdainu atzīmju (label noise) un bojātu novērojumu ietekmi. Tā vietā, lai visas apmācības instances apstrādātu vienādi, tā izmanto svēršanas vai filtrēšanas stratēģijas, lai trokšņainiem vai anomāliem paraugiem būtu mazāka ietekme uz atsevišķu koku sadalījumiem, tādējādi nodrošinot uzticamus prognozes pat tad, ja datu kvalitāte ir nepilnvērtīga.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
Avoti
- Chen, S., & Guestrin, C. (2019). Robust Random Forest. In Proceedings of the 36th International Conference on Machine Learning (ICML). Also see: Gao, W., & Zhou, Z.-H. (2013). On the Doubt about Margin Explanation of Boosting. Artificial Intelligence, 203, 1–18. link ↗
- Random Forest. Wikipedia. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/lv/machine-learning/robust-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.
- Bagging (Bootstrap Aggregating)Mašīnmācīšanās↔ compare
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Isolation ForestMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →