Machine learningMachine learning

Εύρωστη Συσκευασία (Robust Bagging)

Η Εύρωστη Συσκευασία επεκτείνει το κλασικό πλαίσιο Bootstrap Aggregating (Bagging) αντικαθιστώντας ή συμπληρώνοντας τους τυπικούς βασικούς εκτιμητές με εύρωστους εκτιμητές — ή χρησιμοποιώντας εύρωστους κανόνες συγκέντρωσης — ώστε το σύνολο να παραμένει ακριβές ακόμη και όταν τα δεδομένα εκπαίδευσης περιέχουν ακραίες τιμές, λανθασμένα επισημασμένες περιπτώσεις ή κατανομές θορύβου με βαριές ουρές.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655
  2. Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateRobust Bagging (Robust Bagging (Bootstrap Aggregating with Robust Base Learners)). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/machine-learning/robust-bagging · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026