Bagging Ensemble
Bagging, zkráceně bootstrap aggregating, je ansámblová metoda, která snižuje rozptyl (variance) trénováním více kopií jediného učícího se algoritmu na různých náhodných podmnožinách trénovacích dat. Každá podmnožina je vytvořena pomocí bootstrapového vzorkování – náhodného výběru vzorků s vracením. Predikce jsou kombinovány pomocí většinového hlasování (klasifikace) nebo průměrování (regrese). Bagging, představený Leo Breimanem v roce 1996, tvoří základ pro náhodné lesy (random forests) a je obzvláště účinný při snižování přeučení (overfitting) u modelů s vysokým rozptylem.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/cs/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.
- AdaBoostStrojové učení↔ compare
- Boosting (posilování) souboru modelůAnsámblové učení↔ compare
- Většinové hlasováníAnsámblové učení↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →