Online Bagging
Online Bagging je proudová (streaming) metoda ansámblů, kterou zavedli Oza a Russell v roce 2001 a která adaptuje klasický rámec bootstrap aggregating (Bagging) na prostředí online učení. Místo vzorkování z pevné datové sady je každý příchozí vzorek předán každému základnímu učícímu se modelu Poisson(1)-rozdělený početkrát, což věrně aproximuje bootstrap vzorkování, jak se proud vyvíjí. Výsledkem je robustní, inkrementálně aktualizovaný ansámbl, který zvládá konceptuální drift a nepřetržitý přísun dat bez nutnosti ukládat celou datovou sadu.
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
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/cs/machine-learning/online-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)Strojové učení↔ compare
- Gradient BoostingStrojové učení↔ compare
- Online BoostingStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →