انسامبل بگینگ
بگینگ (Bagging)، که کوتاه شده عبارت «تجميع بوتاسترپ» (bootstrap aggregating) است، یک روش انسابل (ensemble) است که با آموزش چندین کپی از یک الگوریتم یادگیری واحد بر روی زیرمجموعههای تصادفی مختلف از دادههای آموزشی، واریانس را کاهش میدهد. هر زیرمجموعه از طریق نمونهبرداری بوتاسترپ (bootstrap sampling) ایجاد میشود — یعنی نمونهبرداری تصادفی با جایگذاری. پیشبینیها از طریق رأیگیری اکثریت (برای طبقهبندی) یا میانگینگیری (برای رگرسیون) ترکیب میشوند. بگینگ که توسط لئو برایمن در سال ۱۹۹۶ معرفی شد، مبنای جنگلهای تصادفی را تشکیل میدهد و به ویژه برای کاهش بیشبرازش (overfitting) در مدلهای با واریانس بالا مؤثر است.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/fa/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.
- AdaBoostیادگیری ماشین↔ compare
- تقویت (Boosting Ensemble)یادگیری گروهی↔ compare
- رأی اکثریتیادگیری گروهی↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →