Geographically Weighted Random Forest
Geographically Weighted Random Forest (GWRF) er en romlig lokal ensemblelæringsmetode som tilpasser en uavhengig Random Forest-modell ved hver observasjonslokasjon, og vekter nærliggende treningsprøver tyngre enn fjerntliggende gjennom en romlig kjernelfunksjon. Den ble introdusert av Stefanos Georganos og kolleger i 2019 (publisert 2021) som en utvidelse av Breimans Random Forest for å håndtere romlig ikke-stasjonaritet — fenomenet der prediktor-respons-forhold varierer over geografisk rom.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Slik siterer du denne siden
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/no/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.
- Geografisk vektet regresjon (GWR)Romlig analyse↔ compare
- Random ForestMaskinlæring↔ compare
- Romlig etterslepmodell (SAR / romlig autoregressiv)Romlig analyse↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →