Bagging-Ensemble
Bagging, kurz für Bootstrap Aggregating, ist eine Ensemble-Methode, die die Varianz reduziert, indem mehrere Kopien eines einzelnen Lernalgorithmus auf verschiedenen zufälligen Teilmengen der Trainingsdaten trainiert werden. Jede Teilmenge wird durch Bootstrap-Sampling erstellt – zufälliges Ziehen von Stichproben mit Zurücklegen. Vorhersagen werden durch Mehrheitsentscheid (Klassifikation) oder Mittelwertbildung (Regression) kombiniert. Bagging wurde 1996 von Leo Breiman eingeführt, bildet die Grundlage für Random Forests und ist besonders wirksam zur Reduzierung von Überanpassung bei Modellen mit hoher Varianz.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/de/ensemble-learning/bagging-ensemble
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.
- AdaBoostMaschinelles Lernen↔ compare
- Boosting-EnsembleEnsemble-Lernen↔ compare
- MehrheitsentscheidEnsemble-Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →