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.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
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.
- Agregación por Bootstrap (Bagging)Aprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Impulso en líneaAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →