Online Bagging
Online Bagging ist eine Streaming-Ensemble-Methode, die 2001 von Oza und Russell eingeführt wurde und das klassische Bootstrap-Aggregations- (Bagging-)Framework an das Online-Lernen anpasst. Anstatt einen festen Datensatz neu abzutasten, wird jede eingehende Instanz jedem Basislerner eine Poisson(1)-verteilte Anzahl von Malen zugeführt, was die Bootstrap-Stichprobenentnahme im sich entwickelnden Stream getreu annähert. Das Ergebnis ist ein robustes, inkrementell aktualisiertes Ensemble, das Konzeptdrift und kontinuierliche Datenankünfte bewältigen kann, ohne den gesamten Datensatz zu speichern.
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
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/de/machine-learning/online-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.
- Bagging (Bootstrap Aggregating)Maschinelles Lernen↔ compare
- Gradient BoostingMaschinelles Lernen↔ compare
- Online BoostingMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →