Geografiskt viktad slumpmässig skog
Geografiskt viktad slumpmässig skog (GWRF) är en rumsligt lokal ensembleinlärningsmetod som anpassar en oberoende slumpmässig skogsmodell vid varje observationsplats, där närliggande träningsprov viktas tyngre än avlägsna genom en rumslig kärnfunktion. Den introducerades av Stefanos Georganos och kollegor 2019 (publicerad 2021) som en utvidgning av Breimans slumpmässiga skog för att hantera rumslig icke-stationaritet – fenomenet där prediktor–responssamband varierar över geografiskt rum.
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
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/sv/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.
- Geografiskt viktad regression (GWR)Rumslig analys↔ compare
- Random ForestMaskininlärning↔ compare
- Spatial Lag Model (SAR / Spatial Autoregressive)Rumslig analys↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →