Bagging (Bootstrap Aggregating)
Le Bagging, abréviation de Bootstrap Aggregating, est un méta-algorithme d'ensemble introduit par Leo Breiman en 1996. Il entraîne plusieurs copies d'un apprenant de base sur des échantillons bootstrap tirés indépendamment des données d'entraînement et combine leurs prédictions — par moyennage pour la régression ou vote majoritaire pour la classification — afin de produire un prédicteur final dont la variance est substantiellement plus faible que celle de n'importe quel apprenant de base unique.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/fr/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.
- AdaBoostApprentissage automatique↔ compare
- Arbre de décisionApprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- XGBoostApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →