Robustne kotletiseerimine
Robustne kotletiseerimine (Robust Bagging) laiendab klassikalist Bootstrap Aggregating (Bagging) raamistikku, asendades või täiendades standardseid alusõppijaid robustsete estimaatoritega – või kasutades robustseid agregatsioonireegleid –, nii et kogum jääb täpseks isegi siis, kui treeningandmed sisaldavad äärmuslikke väärtusi, valesti märgistatud üksikjuhtumeid või raskete sabadega mürajaotusi.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/et/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.
- Bagging (Bootstrap Aggregating)Masinõpe↔ compare
- BoostingMasinõpe↔ compare
- Juhuslik metsMasinõpe↔ compare
- Robustne võimendamineMasinõpe↔ compare
- Robust Random ForestMasinõpe↔ compare
- HääletusansambelMasinõpe↔ compare
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →