Bayesiansk slumpskog
Bayesian Random Forest utökar den klassiska random forest genom att placera en priorfördelning över trädstrukturer och lövparametrar, och därefter sampla eller approximera posteriorfördelningen över ensemble. Resultatet är en uppsättning prediktioner åtföljda av kalibrerade osäkerhetsuppskattningar – en förmåga som standard random forests saknar – vilket gör den värdefull när vetskapen om hur säker modellen är är lika viktig som själva prediktionen.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/sv/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.
- Bayesiansk aktiv inlärningMaskininlärning↔ compare
- Bayesianskt beslutsträdMaskininlärning↔ compare
- Bayesiansk semi-övervakad inlärningMaskininlärning↔ compare
- Gaussisk processMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →