Online Bagging
Online Bagging est une méthode d'ensemble en flux introduite par Oza et Russell en 2001 qui adapte le cadre classique de bootstrap aggregating (Bagging) au contexte de l'apprentissage en ligne. Au lieu de rééchantillonner un jeu de données fixe, chaque instance entrante est fournie à chaque apprenant de base un nombre de fois distribué selon une loi de Poisson(1), ce qui approxime fidèlement l'échantillonnage bootstrap à mesure que le flux évolue. Le résultat est un ensemble robuste, mis à jour de manière incrémentielle, capable de gérer la dérive conceptuelle et l'arrivée continue de données sans stocker l'intégralité du jeu de données.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/fr/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)Apprentissage automatique↔ compare
- Gradient BoostingApprentissage automatique↔ compare
- Boosting en ligneApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →