Coğrafi Ağırlıklı Rastgele Orman
Geographically Weighted Random Forest (GWRF) · Ayrıca şöyle bilinir: Geographical Random Forest, GRF, Spatial Random Forest, Cografi Agirlikli Rastgele Orman
Coğrafi Ağırlıklı Rastgele Orman (GWRF), her gözlem konumunda bağımsız bir Rastgele Orman modeli uyduran, uzamsal çekirdek fonksiyonu aracılığıyla uzak eğitim örneklerine göre yakındaki eğitim örneklerini daha ağır tartan uzamsal yerel bir topluluk öğrenme yöntemidir. 2019'da Stefanos Georganos ve meslektaşları tarafından tanıtılmış (2021'de yayımlanmıştır) ve Breiman'ın Rastgele Orman'ının uzamsal durağan olmama durumunu - yani öngörücü-yanıt ilişkilerinin coğrafi uzayda değiştiği olgusunu - ele almak üzere bir uzantısı olarak geliştirilmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
GWRF, öngörücü-yanıt ilişkilerinde uzamsal durağan olmama durumunun varlığına veya güçlü beklentisine sahip olduğunda uygundur - yani, öngörücüler ve yanıt değişkeni arasındaki ilişkinin çalışma alanı boyunca değiştiği durumlarda. Orta ila büyük uzamsal veri kümeleri (tipik olarak n > 100) için uygundur ve hesaplama maliyeti yönetilebilir düzeydedir. Varsayımlar arasında sürekli, coğrafi olarak referanslanmış bir yanıt değişkeni ve seçilen bant genişliğine göre yeterli yerel örnek yoğunluğu bulunur. Tamamen zamansal veya uzamsal olmayan veriler için uygun değildir. Alternatifler arasında doğrusal ayarlar için Coğrafi Ağırlıklı Regresyon veya sürücülerin farklı uzamsal ölçeklerde çalıştığı durumlarda Çok Ölçekli GWR bulunur.
Güçlü yönler & sınırlılıklar
- Öngörücü-yanıt ilişkilerinde doğrusal varsayımda bulunmadan uzamsal durağan olmama durumunu yakalar
- Bölgesel yorumlamaya olanak tanıyan, uzamsal olarak değişen değişken önemi haritaları üretir
- Aykırı değerlere, çoklu doğrusallığa ve yüksek boyutlu özellik uzaylarına karşı Rastgele Orman sağlamlığını miras alır
- Gauss ve uyarlanabilir çekirdek spesifikasyonlarıyla uyumludur, düzensiz uzamsal örneklemeyi barındırır
- Hesaplama açısından pahalıdır: n adet ayrı orman uydurmak ve çapraz doğrulama bant genişliği araması, örneklem büyüklüğüyle kötü ölçeklenir
- Tek-dışarıda-bırakma çapraz doğrulaması yoluyla bant genişliği seçimi, seyrek veya kümelenmiş uzamsal veri kümelerinde kararsız olabilir
- Kenar konumlarındaki yerel ormanlar daha az komşu üzerinde eğitilir, bu da çalışma alanı sınırlarına yakın tahmin varyansını artırabilir
- Yerel önem tahminleri için resmi bir istatistiksel çıkarım çerçevesi eksikliği, belirsizlik niceliğini geçici hale getirir
SSS
GWRF standart Coğrafi Ağırlıklı Regresyon'dan nasıl farklıdır?
GWR, her noktada yerel olarak doğrusal bir model tahmin eder, bu nedenle doğrusal olmayan öngörücü etkileşimlerini yakalayamaz veya güçlü aşırı uyum riski olmadan yüksek boyutlu özellik uzaylarını işleyemez. GWRF, doğrusal tahminciyi bir Rastgele Orman ile değiştirerek, coğrafi ağırlıklı yerelleştirme ilkesini korurken keyfi doğrusal olmayan ilişkileri ve otomatik etkileşim tespitini sağlar.
GWRF'nin güvenilir sonuçlar üretmesi için ne kadar örneklem büyüklüğü gereklidir?
Evrensel bir eşik yoktur, ancak uygulayıcılar genellikle her yerel ormanın yeterli ağırlıklı eğitim örneği almasını sağlamak için en az 200 gözlem önerir. Georganos ve ark. yöntemi birkaç yüzden birkaç bine kadar değişen veri kümelerinde gösterir; çok küçük veri kümeleri, özellikle uzamsal komşuların seyrek olduğu çalışma alanı sınırına yakın yerlerde, dejeneratif yerel ormanlar riski taşır.
GWRF sınıflandırma görevlerini mi yoksa yalnızca regresyonu mu ele alabilir?
Georganos ve ark. tarafından yapılan orijinal formülasyon, sürekli yanıt değişkenlerini (regresyon) hedefler. Temel Rastgele Orman motoru sınıflandırmayı desteklese de, coğrafi ağırlıklı uzantı ve R paketi SpatialML öncelikle regresyon için tasarlanmıştır. Çoğunluk oylaması ile toplama işlemini değiştirerek sınıflandırma varyantları uygulanabilir, ancak bu tür uzantılar 2021 itibarıyla yayımlanmış literatürde resmi olarak doğrulanmamıştır.
Kaynaklar
- Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Geographically Weighted Random Forest (GWRF). ScholarGate. https://scholargate.app/tr/spatial-analysis/geographically-weighted-random-forest
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Coğrafi Ağırlıklı Regresyon (GWR)Mekânsal analiz↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Mekansal Gecikme Modeli (SAR / Mekansal Otokorelatif)Mekânsal analiz↔ karşılaştır