Machine learning

Random Forest

Random Forest är en ensembleinlärningsmetod, introducerad av Leo Breiman år 2001, som växer många beslutsträd på bootstrap-samplade data och kombinerar deras röster för att producera stark klassificering och regression. Genom att poola många lätt varierande träd ger den mer exakta och stabilare prediktioner än något enskilt träd.

Öppna i MethodMindSnartVideoSnartDownload slides

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Method map

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

Random Forest

Beslutsträd Logistisk regression Support Vector Machine (…XGBoost Active learning Decision…Aktiv inlärning med grad…Aktiv inlärning med Ligh…Aktiv inlärning linjär r…Aktiv inlärning med logi…Aktivt lärande Support V…

+127 more

Källor

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

Så citerar du den här sidan

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

BeslutsträdMaskininlärning↔ compare
Logistisk regressionForskningsstatistik↔ compare
Support Vector Machine (Klassificering)Maskininlärning↔ compare
XGBoostMaskininlärning↔ compare

Compare side by side →

Refereras av

Active learning Decision tree Aktiv inlärning med gradient boosting Aktiv inlärning med LightGBM Aktiv inlärning linjär regression Aktiv inlärning med logistisk regression Aktivt lärande Support Vector Machine AdaBoost Uppmärksamhetsmekanism Bagging (Bootstrap Aggregating)Bagging Ensemble Bayesian Bagging Bayesianskt beslutsträd Bayesiansk k-Närmaste Grannar Bayesian LightGBM Bayesiansk slumpskog Bayesianskt XGBoost BERT-finjustering Dubbelriktad RNN Boosting Capsule Network CatBoost CNN bildklassificering Konvolutionellt neuralt nätverk (klassificering)DBSCAN Beslutsträd Djup förstärkningsinlärning DeepAR Digital Soil Mapping Dilaterad CNN Dubbel maskininlärning Elastic Net Ensemble Active Learning Ensemble Apriori-algoritmen Ensemble Decision Tree Ensemble Gaussisk Blandningsmodell Ensemble Gaussian Process Ensemble Gradient Boosting Ensemble Isolation Forest Ensemble K-Nearest Neighbors Ensemble Linear Regression Ensemble logistisk regression Ensemble Metric Learning Ensemble Naive Bayes Ensemble Online Learning Ensemble Självövervakad Inlärning Ensemble Support Vector Machine Ensemble Transfer Learning Förklaringsbar beslutsträd Förklarbara Extra Trees Förklarbar gradient-boosting Förklaringsbar K-medelvärden Förklaringsbar K närmaste grannar Förklarbar LightGBM Förklaringsbar flerskiktat perceptron Förklarbar Naive Bayes Förklarbar Random Forest Förklarbar staplingsensemble Förklarbar XGBoost Extra Trees Gaussisk process Geografiskt viktad slumpmässig skog Finjustering av GPT Gradient Boosting Grafuppmärksamhetsnätverk Grafneuralnätverk Gated Recurrent Unit (GRU)Informer Isolation Forest K-Means-klustring K-Närmaste Grannar Kunskapsdestillering Etikettpropagering LightGBM LIME: Local Interpretable Model-agnostic Explanations Linjär diskriminantanalys (LDA)Linjär regression (ML)Logistisk regression (ML)Longformer / BigBird LoRA och PEFT LSTM Maskininlärningsstödd epigenom-vid-genomstudie (ML-EWAS)Maskininlärningsassisterad GWAS – ML-GWAS Maskininlärningsstödd metabolomanalys Maskininlärningsassisterad analys av mikrobiomdiversitet Maskininlärningsassisterad vägrikningsanalys Maskininlärningsassisterad RNA-seq-analys av differentiell genuttryckning Majoritetsröstning Blandning av experter Multi-layer Perceptron (MLP)Multilayer Perceptron (MLP)Multinomial logistisk regression N-BEATS N-HiTS Naiv Bayes Neural Architecture Search Neural ODE Online Bagging Online Random Forest PatchTST Pixelbaserad bildklassificering Regulariserat beslutsträd Regularized Random Forest Regulariserad Stacking-ensemble Robust Bagging Robust beslutsträd Robust Gradient Boosting Robust LightGBM Robust Random Forest Robust Stacking Ensemble Robust Voting Ensemble Multi-Head Self-Attention Self-supervised Decision Tree Självövervakad gradientförstärkning Självövervakad slumpmässig skog Självövervakad staplingsensemble Semi-supervised Bagging Semi-supervised Decision Tree Semi-övervakad FP-tillväxt Semi-supervised Isolation Forest Semisupervised Random Forest Semi-övervakad staplingsensemble Semi-supervised Support Vector Machine Semi-supervised XGBoost Sekvens-till-sekvens-modellen (Seq2Seq)SHAP (SHapley Additive exPlanations)Stacking Stokastisk gradientnedstigning (SGD)Support Vector Machine (Klassificering)Temporal Fusion Transformer TextCNN - Textklassificering med convolutional neural networks Transformer (NLP)UMAP Vision Transformer Visuell kontrastiv inlärning Röstningsensemble XGBoost

Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →