Bagging Ensemble
Bagging, lühinimetus bootstrap aggregating, on ensemble-meetod, mis vähendab dispersiooni, treenides mitut ühte õppimisalgoritmi koopiat erinevatel juhul valitud treeningandmete alamhulkadel. Iga alamhulk luuakse bootstrap-valimi abil – juhuslikult valimitega koos tagasipanekuga. Ennustused kombineeritakse enamushääletuse (klassifitseerimine) või keskmistamise (regressioon) abil. Leo Breimani 1996. aastal tutvustatud bagging on random forests'i alus ja on eriti tõhus kõrge dispersiooniga mudelite ülefittingu vähendamisel.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Method map
The neighbourhood of related methods — select a node to explore.
Allikad
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/et/ensemble-learning/bagging-ensemble
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.
- AdaBoostMasinõpe↔ compare
- TugevduskomplekteerimineAnsambelõpe↔ compare
- EnamushääletusAnsambelõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →