Bayesian Random Forest
Bayesian Random Forest breidt de klassieke random forest uit door een prior-verdeling te plaatsen over boomstructuren en bladparameters, en vervolgens de posterior over dat ensemble te samplen of te approximeren. Het resultaat is een set voorspellingen vergezeld van gekalibreerde onzekerheidsschattingen — een vermogen dat standaard random forests missen — waardoor het waardevol is wanneer weten hoe zeker het model is even belangrijk is als de voorspelling zelf.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/nl/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.
- Bayesiaans Actief LerenMachine learning↔ compare
- Bayesiaanse BeslissingsboomMachine learning↔ compare
- Bayesiaans semi-supervised lerenMachine learning↔ compare
- Gaussiaans ProcesMachine learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →