Geografisch Gewogen Willekeurig Bos
Geografisch Gewogen Willekeurig Bos (GWRF) is een ruimtelijk lokale ensemble-leermethode die op elke observatielocatie een onafhankelijk Willekeurig Bos-model aanpast, waarbij nabije trainingsvoorbeelden zwaarder worden gewogen dan verre, via een ruimtelijke kernel-functie. Het werd geïntroduceerd door Stefanos Georganos en collega's in 2019 (gepubliceerd 2021) als een uitbreiding van Breiman's Willekeurig Bos om ruimtelijke non-stationariteit te hanteren — het fenomeen waarbij voorspeller-responsrelaties variëren over de geografische ruimte.
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
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/nl/spatial-analysis/geographically-weighted-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.
- Geografisch Gewogen Regressie (GWR)Ruimtelijke analyse↔ compare
- Random ForestMachine learning↔ compare
- Spatiaal Lag Model (SAR / Spatiale Autoregressie)Ruimtelijke analyse↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →