Bagging Ensemble
El bagging, abreviatura de bootstrap aggregating, és un mètode d'ensemble que redueix la variància entrenant múltiples còpies d'un únic algorisme d'aprenentatge en diferents subconjunts aleatoris de les dades d'entrenament. Cada subconjunt es crea mitjançant mostreig bootstrap: extreure mostres aleatòries amb reemplaçament. Les prediccions es combinen mitjançant votació per majoria (classificació) o mitjana (regressió). Introduït per Leo Breiman el 1996, el bagging forma la base dels boscos aleatoris i és particularment efectiu per reduir l'sobreajustament en models d'alta variància.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/ca/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.
- AdaBoostAprenentatge automàtic↔ compare
- Boosting EnsembleAprenentatge per conjunts↔ compare
- Votació per majoriaAprenentatge per conjunts↔ compare
- Random ForestAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →