Robust Bagging
Robust Bagging rozšiřuje klasický rámec Bootstrap Aggregating (Bagging) nahrazením nebo doplněním standardních základních učících algoritmů robustními odhady – nebo použitím robustních agregačních pravidel – tak, aby soubor zůstal přesný i v případě, že trénovací data obsahují odlehlé hodnoty, chybně označené instance nebo šum s těžkými konci.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/cs/machine-learning/robust-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
- ZesilováníStrojové učení↔ compare
- Random ForestStrojové učení↔ compare
- Robust BoostingStrojové učení↔ compare
- Robustní náhodný les (Robust Random Forest)Strojové učení↔ compare
- Hlasovací ansámblStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →