Online Voting Ensemble
Online Voting Ensemble یک روش گروهی افزایشی است که مجموعهای از طبقهبندهای پایه را حفظ میکند — هر کدام بهطور مداوم بر روی دادههای ورودی بهروزرسانی میشوند — و پیشبینیهای آنها را از طریق رأی اکثریت وزنی یا بدون وزن ترکیب میکند. این روش که برای جریانهای داده طراحی شده است، بدون نیاز به بازآموزی از ابتدا با توزیعهای ناپایدار سازگار میشود و آن را برای وظایف طبقهبندی بیدرنگ که دادهها بهصورت متوالی وارد میشوند و رانش مفهوم ممکن است رخ دهد، مناسب میسازد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
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. 229–236. link ↗
- Bifet, A., Holmes, G., Pfahringer, B., Kirkby, R., & Gavaldà, R. (2009). New ensemble methods for evolving data streams. In Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 139–148. DOI: 10.1145/1557019.1557041 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Online Voting Ensemble (Incremental Majority-Vote Ensemble for Data Streams). ScholarGate. https://scholargate.app/fa/machine-learning/online-voting-ensemble
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- کیسهبندی آنلاین (Online Bagging)یادگیری ماشین↔ مقایسه
- Online Boostingیادگیری ماشین↔ مقایسه
- یادگیری آنلاینیادگیری ماشین↔ مقایسه
- Online Random Forestیادگیری ماشین↔ مقایسه
- مجموعه رأیگیری نیمهنظارتشدهیادگیری ماشین↔ مقایسه
- مجموعه رأیگیرییادگیری ماشین↔ مقایسه
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →