Bayesian Random Forest
Bayesian Random Forest rozszerza klasyczny las losowy poprzez umieszczenie rozkładu a priori na strukturach drzew i parametrach liści, a następnie próbkowanie lub aproksymację rozkładu aposteriornego dla tego zespołu. Wynikiem jest zbiór predykcji wraz z skalibrowanymi oszacowaniami niepewności — możliwości, której standardowe lasy losowe nie posiadają — co czyni go cennym, gdy wiedza o pewności modelu jest równie ważna jak sama predykcja.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/pl/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.
- Bayesowskie aktywne uczenie sięUczenie maszynowe↔ compare
- Bayesian Decision TreeUczenie maszynowe↔ compare
- Bayesowskie uczenie częściowo nadzorowaneUczenie maszynowe↔ compare
- Proces GaussaUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →