Machine learning

Random Forest

Random Forest ialah kaedah pembelajaran ensemble, yang diperkenalkan oleh Leo Breiman pada tahun 2001, yang membina banyak pokok keputusan pada sampel bootstrap data dan menggabungkan undiannya untuk menghasilkan klasifikasi dan regresi yang kukuh. Dengan menggabungkan banyak pokok yang sedikit berbeza, ia menghasilkan ramalan yang lebih tepat dan lebih stabil berbanding mana-mana pokok tunggal.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Method map

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

Random Forest

Pohon Keputusan Regresi Logistik Mesin Vektor Sokongan (K…XGBoost Pohon Keputusan Pembelaj…Peningkatan Kecerunan Pe…Active Learning LightGBM Regresi Linear Pembelaja…Regresi Logistik Pembela…Support Vector Machine P…

+127 more

Sumber

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

Cara memetik halaman ini

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

Pohon KeputusanPembelajaran Mesin↔ compare
Regresi LogistikStatistik Penyelidikan↔ compare
Mesin Vektor Sokongan (Klasifikasi)Pembelajaran Mesin↔ compare
XGBoostPembelajaran Mesin↔ compare

Compare side by side →

Dirujuk oleh

Pohon Keputusan Pembelajaran Aktif Peningkatan Kecerunan Pembelajaran Aktif Active Learning LightGBM Regresi Linear Pembelajaran Aktif Regresi Logistik Pembelajaran Aktif Support Vector Machine Pembelajaran Aktif AdaBoost Mekanisme Perhatian Bagging (Bootstrap Aggregating)Ensembel Bagging Bayesian Bagging Pohon Keputusan Bayesian K-Jiran Terdekat Bayesian Bayesian LightGBM Bayesian Random Forest Bayesian XGBoost Fine-Tuning BERT RNN Dwi-arah Boosting Capsule Network CatBoost Klasifikasi Imej CNN Rangkaian Neural Bergelung (Pengelasan)DBSCAN Pohon Keputusan Pembelajaran Penguatan Dalam (Deep Reinforcement Learning)DeepAR Pemetaan Tanah Digital CNN Dilasi Pembelajaran Mesin Berganda Elastic Net Pembelajaran Aktif Ensembel Algoritma Ensemble Apriori Pohon Keputusan Ensemble Model Gabungan Taburan Gaussian (Ensemble Gaussian Mixture Model)Proses Gaussian Ensemble Gradient Boosting Ensemble Ensemble Isolation Forest K-Nearest Neighbors Ensemble Regresi Linear Ensemble Regresi Logistik Ensembel Pembelajaran Metrik Ensemble Ensemble Naive Bayes Pembelajaran Dalam Talian Ensemble Pembelajaran Kendiri Berenjak (Ensemble Self-supervised Learning)Mesin Vektor Sokongan Ensemble Pembelajaran Pemindahan Ensemble Pohon Keputusan Boleh Dijelas Pokok Tambahan Boleh Dijelaskan Peningkatan Cerun Boleh Dijelaskan K-Means Boleh Terang K-Nearest Neighbors Boleh Dijelaskan Explainable LightGBM Perceptron Berlapis Boleh Dijelaskan Naive Bayes Boleh Dijelaskan Random Forest Boleh Dijelas (Explainable Random Forest)Tingkat Tumpukan yang Boleh Dijelaskan XGBoost Boleh Dijelaskan Pokok Tambahan Gaussian Process Geographically Weighted Random Forest Penalaan Halus GPT Peningkatan Cerun Graph Attention Network Rangkaian Saraf Graf Gated Recurrent Unit (GRU)Informer Isolation Forest Pengelompokan K-Means K-Nearest Neighbors Penyulingan Pengetahuan Label Propagation LightGBM LIME: Penjelasan Model Boleh Ditafsir Secara Lokal dan Model-Agnostik Analisis Diskriminan Linear (LDA)Regresi Linear (ML)Regresi Logistik (ML)Longformer / BigBird LoRA dan PEFT LSTM Kajian Persatuan Epigenom-Seluruh (ML-EWAS) Bantuan ML GWAS Bantuan Pembelajaran Mesin Analisis Metabolomik Bantuan Pembelajaran Mesin Analisis Kepelbagaian Mikrobiom Dibantu Pembelajaran Mesin Analisis Pengayaan Laluan Berbantukan Pembelajaran Mesin Analisis Ungkapan Pembezaan RNA-seq Bantuan Pembelajaran Mesin Undian majoriti Campuran Pakar Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Regresi Logistik Multinomial N-BEATS N-HiTS Naive Bayes Pencarian Seni Bina Neural Neural ODE Online Bagging Hutan Rawak Dalam Talian PatchTST Klasifikasi Imej Berasaskan Piksel Pokok Keputusan Terlaras Random Forest Tersenor (RRF)Ensembel Penumpukan Terekularisasi Bagging Tandaan Pohon Keputusan Teguh (Robust Decision Tree)Peningkatan Kecerunan Teguh LightGBM Robust Robust Random Forest Robust Stacking Ensemble Ensembel Pengundian Robust Perhatian Kendiri Pelbagai Kepala Pohon Keputusan Kendiri-Selia Gradient Boosting Kendiri-terawasi Hutan Rawak Kendiri-Penyeliaan Self-supervised Stacking Ensemble Bagging Separa-Seliaan Pohon Keputusan Separuh Selia FP-growth Separuh-Selia (Semi-supervised FP-growth)Hutan Pengasingan Separa Sedia Terkawal Semi-supervised Random Forest Semi-supervised Stacking Ensemble Mesin Vektor Sokongan Separa-Seliaan XGBoost Separa-Penyeliaan Model Jujukan-ke-Jujukan SHAP (SHapley Additive exPlanations)Stacking Stochastic Gradient Descent (SGD)Mesin Vektor Sokongan (Klasifikasi)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Transformer Visi Pembelajaran Kontrastif Visual Ensembel Undian XGBoost

Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →