เปรียบเทียบวิธี

	การเรียนรู้แบบสุ่มถ่วงน้ำหนักตามภูมิศาสตร์	Random Forest
สาขาวิชา	การวิเคราะห์เชิงพื้นที่	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2021	2001
ผู้ริเริ่ม	Stefanos Georganos et al.	Breiman, L.
ประเภท	Spatially local ensemble learning method	Ensemble (bagging of decision trees)
แหล่งต้นตำรับ	Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136.	Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32.
ชื่อเรียกอื่น	Geographical Random Forest, GRF, Spatial Random Forest, Cografi Agirlikli Rastgele Orman	Rastgele Orman (Random Forest), rastgele orman, random decision forest, bagged tree ensemble
ที่เกี่ยวข้อง	3	4
สรุป	Geographically Weighted Random Forest (GWRF) is a spatially local ensemble learning method that fits an independent Random Forest model at each observation location, weighting nearby training samples more heavily than distant ones through a spatial kernel function. It was introduced by Stefanos Georganos and colleagues in 2019 (published 2021) as an extension of Breiman's Random Forest to handle spatial non-stationarity — the phenomenon where predictor–response relationships vary across geographic space.	Random Forest is an ensemble learning method, introduced by Leo Breiman in 2001, that grows many decision trees on bootstrap samples of the data and combines their votes to produce strong classification and regression. By pooling many slightly different trees, it produces more accurate and more stable predictions than any single tree.