Байєсівський випадковий ліс
Байєсівський випадковий ліс розширює класичний випадковий ліс шляхом встановлення апріорного розподілу на структури дерев та параметри листків, а потім вибірки або апроксимації апостеріорного розподілу для цього ансамблю. Результатом є набір прогнозів, що супроводжуються каліброваними оцінками невизначеності — можливості, якої бракує стандартним випадковим лісам — що робить його цінним, коли впевненість моделі є настільки ж важливою, як і сам прогноз.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Taddy, M., Chen, C., Yu, J., & Wyle, M. (2015). Bayesian and Empirical Bayesian Forests. Proceedings of the 32nd International Conference on Machine Learning (ICML 2015), PMLR 37, 967–976. link ↗
- Lakshminarayanan, B., Roy, D. M., & Teh, Y. W. (2016). Mondrian Forests for Large-Scale Regression when Uncertainty Matters. Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS 2016), PMLR 51, 1478–1487. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bayesian Random Forest (Bayesian Ensemble of Decision Trees). ScholarGate. https://scholargate.app/uk/machine-learning/bayesian-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.
- Байєсівське активне навчанняМашинне навчання↔ compare
- Байєсівське дерево рішеньМашинне навчання↔ compare
- Байєсівське напівкероване навчанняМашинне навчання↔ compare
- Гаусівський процесМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →