Bagging (Bootstrap Aggregating)
Bagging, abreviatura de Bootstrap Aggregating, és un metamètode d'ensamblatge introduït per Leo Breiman el 1996 que entrena múltiples còpies d'un aprenent base en mostres bootstrap extretes independentment de les dades d'entrenament i combina les seves prediccions —mitjançant la mitjana per a regressió o el vot majoritari per a classificació— per produir un predictor final amb una variància substancialment menor que qualsevol aprenent base individual.
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.
+16 more
Fonts
- 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
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/ca/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.
- AdaBoostAprenentatge automàtic↔ compare
- Arbre de decisióAprenentatge automàtic↔ compare
- Gradient BoostingAprenentatge automàtic↔ compare
- Random ForestAprenentatge automàtic↔ compare
- XGBoostAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →