Online Bagging
Το Online Bagging είναι μια μέθοδος συνόλου ροής (streaming ensemble method) που εισήχθη από τους Oza και Russell το 2001 και προσαρμόζει το κλασικό πλαίσιο της συνάθροισης bootstrap (bootstrap aggregating - Bagging) στο περιβάλλον της διαδικτυακής μάθησης (online learning). Αντί για επαναδειγματοληψία ενός σταθερού συνόλου δεδομένων, κάθε εισερχόμενη παρουσία (instance) τροφοδοτείται σε κάθε βασικό μαθητή (base learner) έναν αριθμό φορών που κατανέμεται κατά Poisson(1), προσεγγίζοντας πιστά τη δειγματοληψία bootstrap καθώς η ροή εξελίσσεται. Το αποτέλεσμα είναι ένα εύρωστο, σταδιακά ενημερωμένο σύνολο που μπορεί να διαχειριστεί την ολίσθηση της έννοιας (concept drift) και τη συνεχή άφιξη δεδομένων χωρίς να αποθηκεύει ολόκληρο το σύνολο δεδομένων.
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.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/el/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)Μηχανική Μάθηση↔ compare
- Ενίσχυση Κλίσης (Gradient Boosting)Μηχανική Μάθηση↔ compare
- Online BoostingΜηχανική Μάθηση↔ compare
- Τυχαίο ΔάσοςΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →