Bayesian Stacking Ensemble
Bayesian Stacking kombiniert die prädiktiven Verteilungen mehrerer Basismodelle, indem nicht-negative Gewichte gefunden werden, die den Leave-One-Out Log-Prädiktiven Score der Mischung maximieren. Formalisiert von Yao, Vehtari, Simpson und Gelman (2018), liefert es eine einzelne kalibrierte prädiktive Verteilung, die unter Kreuzvalidierung nachweislich mindestens so gut ist wie jedes einzelne konstituierende Modell.
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
- Yao, Y., Vehtari, A., Simpson, D., & Gelman, A. (2018). Using stacking to average Bayesian predictive distributions. Bayesian Analysis, 13(3), 917–1007. DOI: 10.1214/17-BA1091 ↗
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Bayesian Stacking Ensemble (Bayesian Stacking of Predictive Distributions). ScholarGate. https://scholargate.app/de/machine-learning/bayesian-stacking-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.
- Bagging (Bootstrap Aggregating)Maschinelles Lernen↔ compare
- Bayesian Model AveragingBayes-Statistik↔ compare
- BoostingMaschinelles Lernen↔ compare
- Gauß-ProzessMaschinelles Lernen↔ compare
- StackingMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →