Bagging-ensemble
Bagging, lyhenne sanoista bootstrap aggregating, on ensemble-menetelmä, joka vähentää varianssia kouluttamalla useita kopioita yhdestä oppimisalgoritmista eri satunnaisista koulutusdatan osajoukkoista. Jokainen osajoukko luodaan bootstrap-otannalla – satunnaisesti otoksia korvaavuudella. Ennusteet yhdistetään enemmistöäänestyksellä (luokittelu) tai keskiarvoistamalla (regressio). Leo Breimanin vuonna 1996 esittelemä bagging muodostaa satunnaismetsien perustan ja on erityisen tehokas ylisovituksen vähentämisessä korkean varianssin malleissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/fi/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.
- AdaBoostKoneoppiminen↔ compare
- Boosting-yhtyeistöYhdistelmäoppiminen↔ compare
- Majority VotingYhdistelmäoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →