Bagging (Bootstrap Aggregating)
Bagging, forkortelse for Bootstrap Aggregating, er en ensemble-meta-algoritme introduceret af Leo Breiman i 1996, som træner multiple kopier af en baselærer på uafhængigt udtrukne bootstrap-stikprøver af træningsdataene og kombinerer deres forudsigelser — ved gennemsnit for regression eller flertalsafstemning for klassifikation — for at producere en endelig prædiktor med væsentligt lavere varians end nogen enkelt baselærer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Kilder
- 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
Sådan citerer du denne side
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/da/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.
- AdaBoostMaskinlæring↔ compare
- BeslutningstræMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →