رگرسیون خطی اِنسِمبل (Ensemble Linear Regression)
رگرسیون خطی اِنسِمبل چندین مدل حداقل مربعات معمولی (ordinary least-squares) را ترکیب میکند — که هر کدام بر روی یک نمونه بوتاسترپ (bootstrap sample) یا زیرمجموعه ویژگی (feature subset) متفاوت برازش شدهاند — و پیشبینیهای آنها را میانگینگیری میکند. این تکنیک که بر اساس چارچوب bagging برمن (Breiman, 1996) بنا شده است، واریانس را کاهش داده و پایداری پیشبینی را در مقایسه با یک برازش منفرد رگرسیون خطی بهبود میبخشد، در حالی که قابلیت تفسیر مفروضات خطی را حفظ میکند.
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 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8). Springer. ISBN: 978-0-387-84857-0
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/fa/machine-learning/ensemble-linear-regression
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.
- بگینگ (تجمیع بوتاسترپ)یادگیری ماشین↔ compare
- رگرسیون خطی (یادگیری ماشین)یادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
- رگرسیون خطی منظم شدهیادگیری ماشین↔ compare
- رگرسیون ریج (Ridge Regression)یادگیری ماشین↔ compare
- مجموعه رأیگیرییادگیری ماشین↔ compare
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →