بگینگ (تجمیع بوتاسترپ)
بگینگ، مخفف تجمیع بوتاسترپ، یک فراالگوریتم تجمیعی است که در سال ۱۹۹۶ توسط لئو بریمَن معرفی شد و چندین نسخه از یک یادگیرنده پایه را بر روی نمونههای بوتاسترپ که به طور مستقل از دادههای آموزشی کشیده شدهاند، آموزش میدهد و پیشبینیهای آنها را ترکیب میکند — با میانگینگیری برای رگرسیون یا رأی اکثریت برای طبقهبندی — تا یک پیشبینیکننده نهایی با واریانس به طور قابل توجهی کمتر از هر یادگیرنده پایه واحد تولید کند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
منابع
- Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8.7). Springer. ISBN: 978-0-387-84857-0
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8.2). Springer. ISBN: 978-1-4614-7138-7
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/fa/machine-learning/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.
- AdaBoostیادگیری ماشین↔ compare
- درخت تصمیمیادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- XGBoostیادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →