Random Forest Ponderado Geograficamente

Random Forest Ponderado Geograficamente (GWRF) é um método de aprendizado por conjunto espacialmente local que ajusta um modelo independente de Random Forest em cada local de observação, ponderando amostras de treinamento próximas mais fortemente do que as distantes através de uma função de kernel espacial. Foi introduzido por Stefanos Georganos e colegas em 2019 (publicado em 2021) como uma extensão do Random Forest de Breiman para lidar com a não estacionariedade espacial — o fenômeno onde as relações preditor-resposta variam através do espaço geográfico.