Hồ sơ bằng chứng phương pháp

Geographically Weighted Random Forest

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.

Sources recorded, not reviewed

Hồ sơ nguồn

Các trích dẫn được sao chép nguyên văn từ hồ sơ nguồn của phương pháp. Không có xác minh cấp độ yêu cầu nào được suy ra từ chúng.

Geographically Weighted Random Forest (GWRF)

Hồ sơ phương pháp phân loại · ml-model / spatial-analysis

Georganos, S., et al. (2021). Geographical random forests: a spatial extension of the random forest algorithm. Geocarto International, 36(2), 121–136. · URL

Mở phương pháp đầy đủ

Các yêu cầu được tuyển chọn

Các yêu cầu được lưu trữ trong sổ cái bằng chứng, mỗi yêu cầu có đánh giá riêng.

Chưa có yêu cầu được tuyển chọn

Chế độ xem này không tạo ra đánh giá yêu cầu khi sổ cái không có.

Các phương pháp liên quan

Được tạo từ biểu đồ phương pháp và hiển thị dưới dạng các mối quan hệ được đề xuất bởi máy — không có yêu cầu bằng chứng nào được suy ra.

Used in the same domainGeographically Weighted Regressionmachine-suggested · Relational suggestion, not evidence.Same method familyRandom Forestmachine-suggested · Relational suggestion, not evidence.Used in the same domainSpatial Lag Modelmachine-suggested · Relational suggestion, not evidence.