Bagging (Bootstrap Aggregating)
Το Bagging, συντομογραφία του Bootstrap Aggregating, είναι ένας ενιαίος μετα-αλγόριθμος συνόλου που εισήχθη από τον Leo Breiman το 1996, ο οποίος εκπαιδεύει πολλαπλά αντίγραφα ενός βασικού μαθητή σε ανεξάρτητα ληφθέντα δείγματα bootstrap των δεδομένων εκπαίδευσης και συνδυάζει τις προβλέψεις τους — με μέσο όρο για την παλινδρόμηση ή πλειοψηφική ψήφο για την ταξινόμηση — για να παραγάγει έναν τελικό προβλεπτή με σημαντικά χαμηλότερη διακύμανση από οποιονδήποτε μεμονωμένο βασικό μαθητή.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Πηγές
- 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
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/el/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.
- AdaBoostΜηχανική Μάθηση↔ compare
- Δέντρο ΑποφάσεωνΜηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
- XGBoostΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →