Bagging (Bootstrap Aggregating)
Bagging, съкратено от Bootstrap Aggregating, е ансамблов мета-алгоритъм, въведен от Лео Брейман през 1996 г., който обучава множество копия на базов обучител върху независимо изтеглени бутстрап извадки от данните за обучение и комбинира техните прогнози — чрез осредняване за регресия или гласуване с мнозинство за класификация — за да произведе окончателен предиктор със съществено по-ниска вариация от всеки отделен базов обучител.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Източници
- Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8.7). Springer. ISBN: 978-0-387-84857-0
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8.2). Springer. ISBN: 978-1-4614-7138-7
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/bg/machine-learning/bagging
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.
- AdaBoostМашинно обучение↔ compare
- Дърво на решениятаМашинно обучение↔ compare
- Градиентен бустингМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- XGBoostМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →