Online Bagging
Online Bagging on verkkopohjainen ensemble-menetelmä, jonka Oza ja Russell esittelivät vuonna 2001. Se mukauttaa klassista bootstrap aggregating (Bagging) -kehystä verkkopohjaiseen oppimiseen. Sen sijaan, että uudelleennäytteistettäisiin kiinteää datajoukkoa, jokainen saapuva havainto syötetään jokaiselle perusoppijalle Poisson(1)-jakautuneen määrän kertoja, mikä approksimoi uskollisesti bootstrap-näytteenottoa virran kehittyessä. Tuloksena on vankka, inkrementaalisesti päivittyvä ensemble, joka pystyy käsittelemään käsiteajautumista ja jatkuvaa datan saapumista tallentamatta koko datajoukkoa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/fi/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.
- Bagging (Bootstrap Aggregating)Koneoppiminen↔ compare
- Gradient BoostingKoneoppiminen↔ compare
- Online BoostingKoneoppiminen↔ compare
- Random ForestKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →