Machine learning

Random Forest

Random Forest to metoda uczenia zespołowego, wprowadzona przez Leo Breimana w 2001 roku, która generuje wiele drzew decyzyjnych na próbach bootstrapowych danych i łączy ich głosy w celu uzyskania silnej klasyfikacji i regresji. Poprzez agregację wielu nieco różnych drzew, metoda ta zapewnia dokładniejsze i stabilniejsze predykcje niż jakiekolwiek pojedyncze drzewo.

Otwórz w MethodMindWkrótceWideoWkrótceDownload slides

Przeczytaj pełny opis metody

Tylko dla członków

Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.

Method map

The neighbourhood of related methods — select a node to explore.

Random Forest

Drzewo decyzyjne Regresja logistyczna Maszyna wektorów nośnych…XGBoost Aktywne uczenie drzew de…Aktywne uczenie z gradie…Aktywne uczenie z modele…Liniowa regresja z aktyw…Aktywne uczenie się z re…Aktywne uczenie maszynow…

+127 more

Źródła

Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. DOI: 10.1023/A:1010933404324 ↗
James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8). Springer. ISBN: 978-1-4614-7138-7

Jak cytować tę stronę

ScholarGate. (2026, June 1). Random Forest (Breiman Ensemble of Decision Trees). ScholarGate. https://scholargate.app/pl/machine-learning/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.

Drzewo decyzyjneUczenie maszynowe↔ compare
Regresja logistycznaStatystyka w badaniach↔ compare
Maszyna wektorów nośnych (klasyfikacja)Uczenie maszynowe↔ compare
XGBoostUczenie maszynowe↔ compare

Compare side by side →

Cytowana przez

Aktywne uczenie drzew decyzyjnych Aktywne uczenie z gradientowym wzmacnianiem Aktywne uczenie z modelem LightGBM Liniowa regresja z aktywnym uczeniem Aktywne uczenie się z regresją logistyczną Aktywne uczenie maszynowe z użyciem maszyny wektorów nośnych AdaBoost Mechanizm uwagi Bagging (agregacja bootstrapowa)Bagging Ensemble Bagging Bayesowski Bayesian Decision Tree Bayesian k-Nearest Neighbors Bayesian LightGBM Bayesian Random Forest Bayesowski XGBoost Dostrajanie BERT Dwukierunkowa sieć rekurencyjna Wzmocnienie Sieć kapsułkowa CatBoost Klasyfikacja obrazów za pomocą CNN Konwolucyjna Sieć Neuronowa (Klasyfikacja)DBSCAN Drzewo decyzyjne Głębokie uczenie ze wzmocnieniem DeepAR Mapowanie cyfrowe gleb Splotowa sieć konwolucyjna z rozszerzeniem (Dilated CNN)Podwójne uczenie maszynowe Elastic Net Uczące się aktywne z wykorzystaniem zespołów (Ensemble Active Learning)Algorytm Ensemble Apriori Drzewo decyzyjne typu ensemble Ensemble Gaussian Mixture Model Procesy Gaussa w wersji zespołowej (Ensemble Gaussian Process)Ensemble Gradient Boosting Las Izolacyjny (Ensemble Isolation Forest)Ensemble K-Nearest Neighbors Regresja Liniowa Metodą Zespołową Regresja logistyczna zespołowa Ucząca się metryki zespołowa Zespołowy naiwny Bayes Uczenie przyrostowe zespołowe (Ensemble Online Learning)Uczenie zespołowe samonadzorowane Zespołowa maszyna wektorów nośnych Uczenie transferowe z wykorzystaniem zespołów Wyjaśnialne drzewo decyzyjne Wyjaśnialne Ekstremalnie Losowe Drzewa Wyjaśnialne wzmacnianie gradientowe Wyjaśnialne K-średnich Wyjaśnialny K-Najbliższych Sąsiadów Wyjaśnialny LightGBM Wyjaśnialny Perceptron Wielowarstwowy Wyjaśnialny Naiwny Klasyfikator Bayesowski Wyjaśnialny Las Losowy Wyjaśnialne zespoły typu stacking Wyjaśnialny XGBoost Extra Trees Proces Gaussa Geograficznie Ważony Las Losowy Dostrajanie GPT Gradient Boosting Sieć uwagi grafowej Sieci neuronowe grafowe Jednostka bramkowana rekurencyjna (GRU)Informer Isolation Forest Klasteryzacja K-średnich K-Najbliższych Sąsiadów Destylacja wiedzy Propagacja etykiet LightGBM LIME: Lokalnie Wyjaśnialne Modelowo-Agnostyczne Wyjaśnienia Analiza dyskryminacyjna liniowa (LDA)Regresja liniowa (ML)Regresja logistyczna (ML)Longformer / BigBird LoRA i PEFT LSTM Epigenomowe badanie asocjacyjne wspomagane uczeniem maszynowym (ML-EWAS)GWAS wspomagany uczeniem maszynowym Analiza metabolomiki wspomagana uczeniem maszynowym Analiza różnorodności mikrobiomu wspomagana uczeniem maszynowym Analiza wzbogacania szlaków wspomagana uczeniem maszynowym Analiza ekspresji różnicowej RNA-seq wspomagana uczeniem maszynowym Głosowanie większościowe Mixture of Experts Perceptron wielowarstwowy (MLP)Perceptron wielowarstwowy (MLP)Regresja logistyczna wielomianowa N-BEATS N-HiTS Naiwny Klasyfikator Bayesowski Automatyczne wyszukiwanie architektury sieci neuronowych Neural ODE Online Bagging Online Random Forest PatchTST Klasyfikacja obrazów oparta na pikselach Regularyzowane drzewo decyzyjne Uregulowany las losowy Uregulowany Zespół Stosowy (Regularized Stacking Ensemble)Robust Bagging Drzewo decyzyjne odporne na zakłócenia Robust Gradient Boosting Robust LightGBM Robust Random Forest Solidny zespół warstwowy (Robust Stacking Ensemble)Robust Voting Ensemble Multi-Head Self-Attention Samonadzorowane drzewo decyzyjne Samouczenie gradientowe Samouczenie z wykorzystaniem lasów losowych Samo-nadzorowane uczenie się w architekturze typu Stacking Ensemble Bagging półnadzorowany Drzewo decyzyjne z uczeniem częściowo nadzorowanym Półnadzorowany algorytm FP-growth Półnadzorowany Isolation Forest Półnadzorowany las losowy Półnadzorowany Zespół Stosowy (Semi-supervised Stacking Ensemble)Półnadzorowana maszyna wektorów nośnych XGBoost z półnadzorem Model sekwencyjny do sekwencyjnego (Seq2Seq)SHAP (SHapley Additive exPlanations)Stacking Stochastyczne spuszczanie gradientu (SGD)Maszyna wektorów nośnych (klasyfikacja)Temporal Fusion Transformer TextCNN Transformer (NLP)UMAP Vision Transformer Wizualne uczenie kontrastowe Ensemble głosujący XGBoost

Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →