Bagging (Bootstrap Aggregating)
Bagging, lyhenne sanoista Bootstrap Aggregating, on Leo Breimanin vuonna 1996 esittelemä enkombinoidun meta-algoritmi, joka kouluttaa useita kopioita perusoppijasta itsenäisesti otetuista bootstrap-otoksista koulutusdataa ja yhdistää niiden ennusteet — regressiossa keskiarvoistamalla tai luokittelussa enemmistöäänestyksellä — tuottaakseen lopullisen ennustajan, jonka varianssi on huomattavasti pienempi kuin minkään yksittäisen perusoppijan.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/fi/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.
- AdaBoostKoneoppiminen↔ compare
- PäätöspuuKoneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
- XGBoostKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →