تجميع التعبئة
التعبئة، اختصار لتجميع التمهيد (bootstrap aggregating)، هي طريقة تجميعية تقلل التباين عن طريق تدريب نسخ متعددة من خوارزمية تعلم واحدة على مجموعات فرعية عشوائية مختلفة من بيانات التدريب. يتم إنشاء كل مجموعة فرعية عبر أخذ عينات التمهيد - سحب عينات عشوائية مع الإحلال. يتم دمج التنبؤات عن طريق التصويت بالأغلبية (التصنيف) أو المتوسط (الانحدار). قدمها ليو بريمان في عام 1996، وتشكل التعبئة الأساس للغابات العشوائية وهي فعالة بشكل خاص في تقليل الإفراط في التخصيص (overfitting) في النماذج ذات التباين العالي.
اقرأ الطريقة كاملة
سجّل الدخول بحساب مجاني لقراءة هذا القسم.
Method map
The neighbourhood of related methods — select a node to explore.
المصادر
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
كيف تستشهد بهذه الصفحة
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/ar/ensemble-learning/bagging-ensemble
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.
- AdaBoostتعلم الآلة↔ compare
- التعزيز المجمّعالتعلم التجميعي↔ compare
- التصويت الأغلبيالتعلم التجميعي↔ compare
- الغابات العشوائيةتعلم الآلة↔ compare