Robust Random Forest
Robust Random Forest rozszerza standardowy zespół Random Forest poprzez włączenie mechanizmów redukujących wpływ wartości odstających, szumu w etykietach i uszkodzonych obserwacji. Zamiast traktować wszystkie instancje treningowe jednakowo, stosuje strategie ważenia lub filtrowania, tak aby szumiące lub anomalne próbki miały mniejszy wkład w podziały poszczególnych drzew, co prowadzi do przewidywań pozostających wiarygodnymi nawet przy niedoskonałej jakości danych.
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.
+3 more
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/pl/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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Isolation ForestUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →