Empaquetado Robusto
El Empaquetado Robusto extiende el marco clásico de Bootstrap Aggregating (Bagging) reemplazando o aumentando los estimadores base estándar con estimadores robustos — o utilizando reglas de agregación robustas — de modo que el conjunto permanezca preciso incluso cuando los datos de entrenamiento contienen valores atípicos, instancias mal etiquetadas o distribuciones de ruido de cola pesada.
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
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/es/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.
- Agregación por Bootstrap (Bagging)Aprendizaje automático↔ compare
- PotenciaciónAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Boosting RobustoAprendizaje automático↔ compare
- Robust Random ForestAprendizaje automático↔ compare
- Ensamble de votaciónAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →