Machine learningMachine learning

Online Bagging

Online Bagging es un método de ensamble para flujos de datos introducido por Oza y Russell en 2001 que adapta el marco clásico de agregación bootstrap (Bagging) al entorno de aprendizaje en línea. En lugar de remuestrear un conjunto de datos fijo, cada instancia entrante se alimenta a cada aprendiz base un número de veces distribuido según Poisson(1), aproximando fielmente el remuestreo bootstrap a medida que el flujo evoluciona. El resultado es un ensamble robusto y actualizado incrementalmente que puede manejar la deriva conceptual y la llegada continua de datos sin almacenar el conjunto de datos completo.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

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

Fuentes

  1. 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
  2. Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link

Cómo citar esta página

ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/es/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.

Compare side by side

Citado por

ScholarGateOnline Bagging (Online Bagging (Incremental Bootstrap Aggregating)). Recuperado el 2026-06-15 de https://scholargate.app/es/machine-learning/online-bagging · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026