Ensemble Linear Regression
Ensemble Linear Regression kombinerer flere almindelige mindste kvadraters modeller – hver trænet på en forskellig bootstrap-stikprøve eller delmængde af features – og beregner gennemsnittet af deres forudsigelser. Teknikken, der er baseret på Breimans bagging-rammeværk (1996), reducerer varians og forbedrer forudsigelsesstabilitet sammenlignet med en enkelt lineær regressionspasning, samtidig med at den bevarer fortolkeligheden af lineære antagelser.
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.
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). Springer. ISBN: 978-0-387-84857-0
Sådan citerer du denne side
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/da/machine-learning/ensemble-linear-regression
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)Maskinlæring↔ compare
- Lineær regression (ML)Maskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
- Ridge-regressionMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →