Bagging Ensemble
Bagging, forkortelse for bootstrap aggregating, er en ensemblemetode, der reducerer varians ved at træne multiple kopier af en enkelt læringsalgoritme på forskellige tilfældige delmængder af træningsdata. Hver delmængde skabes via bootstrap-sampling – tilfældig udvælgelse af observationer med tilbagelægning. Forudsigelser kombineres via flertalsafstemning (klassifikation) eller gennemsnit (regression). Bagging, introduceret af Leo Breiman i 1996, danner grundlaget for random forests og er særligt effektiv til at reducere overfitting i modeller med høj varians.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/da/ensemble-learning/bagging-ensemble
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- AdaBoostMaskinlæring↔ sammenlign
- Boosting EnsembleEnsemblelæring↔ sammenlign
- FlertalsafstemningEnsemblelæring↔ sammenlign
- Random ForestMaskinlæring↔ sammenlign
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →