Robuuste Random Forest
Robuuste Random Forest breidt de standaard Random Forest ensemble uit door mechanismen te incorporeren die de invloed van uitschieters, labelruis en gecorrumpeerde observaties verminderen. In plaats van alle trainingsinstanties gelijk te behandelen, past het weeg- of filterstrategieën toe zodat ruisige of anomale samples minder bijdragen aan individuele boomsplitsingen, wat voorspellingen oplevert die betrouwbaar blijven, zelfs wanneer de datakwaliteit onvolmaakt is.
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.
+3 more
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/nl/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)Machine learning↔ compare
- BeslisboomMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Isolation ForestMachine learning↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →