Bagging (Bootstrap Aggregating)
Bagging, kurz für Bootstrap Aggregating, ist ein von Leo Breiman 1996 eingeführter Ensemble-Meta-Algorithmus, der mehrere Kopien eines Basislerner trainiert, die auf unabhängig gezogenen Bootstrap-Stichproben der Trainingsdaten basieren, und deren Vorhersagen kombiniert – durch Mittelwertbildung bei Regression oder Mehrheitsentscheid bei Klassifikation –, um einen finalen Prädiktor mit signifikant geringerer Varianz als jeder einzelne Basislerner zu erzeugen.
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.
+16 more
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/de/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.
- AdaBoostMaschinelles Lernen↔ compare
- EntscheidungsbaumMaschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- XGBoostMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →