การเรียนรู้แบบสุ่มถ่วงน้ำหนักตามภูมิศาสตร์
การเรียนรู้แบบสุ่มถ่วงน้ำหนักตามภูมิศาสตร์ (Geographically Weighted Random Forest หรือ GWRF) เป็นวิธีการเรียนรู้แบบรวมกลุ่มเชิงพื้นที่ที่สร้างแบบจำลอง Random Forest อิสระ ณ ตำแหน่งการสังเกตแต่ละแห่ง โดยให้น้ำหนักตัวอย่างการฝึกที่อยู่ใกล้เคียงมากกว่าตัวอย่างที่อยู่ไกลออกไปผ่านฟังก์ชันเคอร์เนลเชิงพื้นที่ วิธีนี้ได้รับการนำเสนอโดย Stefanos Georganos และคณะในปี 2019 (ตีพิมพ์ปี 2021) เพื่อเป็นการต่อยอดจาก Random Forest ของ Breiman ในการจัดการกับภาวะไม่คงที่เชิงพื้นที่ (spatial non-stationarity) ซึ่งเป็นปรากฏการณ์ที่ความสัมพันธ์ระหว่างตัวทำนายและตัวตอบสนองแตกต่างกันไปในแต่ละพื้นที่ทางภูมิศาสตร์
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/th/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.
- Geographically Weighted Regression (GWR)การวิเคราะห์เชิงพื้นที่↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- Spatial Lag Modelการวิเคราะห์เชิงพื้นที่↔ compare