Bagging (Bootstrap Aggregating)
Bagging, zkráceně Bootstrap Aggregating, je ansámblový meta-algoritmus představený Leem Breimanem v roce 1996, který trénuje více kopií základního učícího algoritmu na nezávisle vybraných bootstrapových vzorcích trénovacích dat a kombinuje jejich predikce — průměrováním pro regresi nebo většinovým hlasováním pro klasifikaci — k produkci finálního prediktoru s podstatně nižším rozptylem než jakýkoli jednotlivý základní učící algoritmus.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Zdroje
- 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
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/cs/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.
- AdaBoostStrojové učení↔ compare
- Rozhodovací stromStrojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- XGBoostStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →