Random Forest ที่ทนทาน
Random Forest ที่ทนทาน (Robust Random Forest) เป็นการต่อยอดจาก Random Forest แบบมาตรฐาน โดยการเพิ่มกลไกที่ช่วยลดอิทธิพลของค่าผิดปกติ (outliers) สัญญาณรบกวนในป้ายกำกับ (label noise) และข้อมูลที่เสียหาย (corrupted observations) แทนที่จะปฏิบัติต่อทุกตัวอย่างข้อมูลฝึกสอนอย่างเท่าเทียมกัน โมเดลนี้จะใช้กลยุทธ์การถ่วงน้ำหนักหรือการกรอง เพื่อให้ตัวอย่างข้อมูลที่มีสัญญาณรบกวนหรือผิดปกติมีส่วนร่วมน้อยลงในการแบ่งโหนดของต้นไม้แต่ละต้น ส่งผลให้การทำนายมีความน่าเชื่อถือแม้ว่าคุณภาพของข้อมูลจะไม่สมบูรณ์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
แหล่งอ้างอิง
- Chen, S., & Guestrin, C. (2019). Robust Random Forest. In Proceedings of the 36th International Conference on Machine Learning (ICML). Also see: Gao, W., & Zhou, Z.-H. (2013). On the Doubt about Margin Explanation of Boosting. Artificial Intelligence, 203, 1–18. link ↗
- Random Forest. Wikipedia. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Random Forest (Noise-Tolerant Ensemble of Decision Trees). ScholarGate. https://scholargate.app/th/machine-learning/robust-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.
- Bagging (Bootstrap Aggregating)การเรียนรู้ของเครื่อง↔ compare
- ต้นไม้ตัดสินใจการเรียนรู้ของเครื่อง↔ compare
- การเสริมกำลังไล่ระดับการเรียนรู้ของเครื่อง↔ compare
- Isolation Forestการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- XGBoostการเรียนรู้ของเครื่อง↔ compare