Geograficznie Ważony Las Losowy
Geograficznie Ważony Las Losowy (GWRF) to przestrzenna, lokalna metoda uczenia zespołowego, która dopasowuje niezależny model Lasu Losowego w każdej lokalizacji obserwacji, przypisując większą wagę pobliskim próbkom treningowym niż odległym, za pomocą przestrzennej funkcji jądra. Metoda została wprowadzona przez Stefanos Georganos i współpracowników w 2019 roku (opublikowana w 2021) jako rozszerzenie Lasu Losowego Breimana do obsługi przestrzennej niestacjonarności — zjawiska, w którym zależności między predyktorami a zmienną odpowiedzi zmieniają się w przestrzeni geograficznej.
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
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/pl/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.
- Regresja geograficznie ważona (GWR)Analiza przestrzenna↔ compare
- Random ForestUczenie maszynowe↔ compare
- Model opóźnienia przestrzennego (SAR / Autoregresyjny przestrzenny)Analiza przestrzenna↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →