Bayesian Bagging
Le Bayesian Bagging remplace le bootstrap classique par le bootstrap bayésien — tirant des poids distribués selon une loi de Dirichlet sur les observations d'entraînement plutôt que par échantillonnage avec remise — et entraîne un ensemble d'apprenants de base sous ces poids. Le résultat est un ensemble principiel qui approxime une loi postérieure bayésienne sur les prédictions, fournissant des estimations d'incertitude calibrées aux côtés d'une forte précision prédictive.
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.
Sources
- Clyde, M. & Lee, H. (2001). Bagging and the Bayesian bootstrap. In T. Richardson & T. Jaakkola (Eds.), Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001). link ↗
- Rubin, D. B. (1981). The Bayesian bootstrap. The Annals of Statistics, 9(1), 130–134. DOI: 10.1214/aos/1176345338 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Bagging (Bootstrap Aggregation with Bayesian Bootstrap). ScholarGate. https://scholargate.app/fr/machine-learning/bayesian-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.
- Boosting BayésienApprentissage automatique↔ compare
- Forêt aléatoire bayésienneApprentissage automatique↔ compare
- BoostingApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Bagging semi-superviséApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →