کیسهبندی آنلاین (Online Bagging)
کیسهبندی آنلاین (Online Bagging) یک روش گروهی جریانی است که در سال ۲۰۰۱ توسط اوزا و راسل معرفی شد و چارچوب کلاسیک تجمیع بوتاسترپ (Bagging) را برای محیط یادگیری آنلاین تطبیق میدهد. به جای نمونهبرداری مجدد از یک مجموعه داده ثابت، هر نمونه ورودی به تعداد دفعاتی که از توزیع پواسون (Poisson(1)) نمونهبرداری شده است، به هر یادگیرنده پایه داده میشود و به طور دقیق نمونهبرداری بوتاسترپ را با تکامل جریان تقریب میزند. نتیجه یک گروهی قوی و بهروزرسانی شونده افزایشی است که میتواند رانش مفهوم (concept drift) و ورود مداوم دادهها را بدون ذخیره کل مجموعه داده مدیریت 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.
منابع
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/fa/machine-learning/online-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.
- بگینگ (تجمیع بوتاسترپ)یادگیری ماشین↔ compare
- گرادیان بوستینگ (Gradient Boosting)یادگیری ماشین↔ compare
- Online Boostingیادگیری ماشین↔ compare
- جنگل تصادفییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →