Устойчив бегинг
Устойчивият бегинг (Robust Bagging) разширява класическата рамка на Bootstrap Aggregating (Bagging), като заменя или допълва стандартните базови обучители с устойчиви оценители – или чрез използване на устойчиви правила за агрегиране – така че ансамбълът да остане точен, дори когато данните за обучение съдържат отклонения, неправилно етикетирани екземпляри или разпределения на шума с тежки опашки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/bg/machine-learning/robust-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.
- Bagging (Bootstrap Aggregating)Машинно обучение↔ compare
- БустингМашинно обучение↔ compare
- Случайна гораМашинно обучение↔ compare
- Устойчиво усилванеМашинно обучение↔ compare
- Робастна случайна гораМашинно обучение↔ compare
- Гласуваща ансамблова схемаМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →