Robuster Bagging
Robuster Bagging erweitert das klassische Bootstrap Aggregating (Bagging)-Framework, indem Standard-Basismodelle durch robuste Schätzer ersetzt oder ergänzt werden – oder indem robuste Aggregationsregeln verwendet werden –, sodass das Ensemble auch dann akkurat bleibt, wenn Trainingsdaten Ausreißer, falsch gelabelte Instanzen oder stark schwanzlastige Rauschverteilungen enthalten.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/de/machine-learning/robust-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
- BoostingMaschinelles Lernen↔ compare
- Random ForestMaschinelles Lernen↔ compare
- Robust BoostingMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
- Voting EnsembleMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →