Robust Bagging
Robust Bagging étend le cadre classique de Bootstrap Aggregating (Bagging) en remplaçant ou en augmentant les apprenants de base standard par des estimateurs robustes — ou en utilisant des règles d'agrégation robustes — de sorte que l'ensemble reste précis même lorsque les données d'entraînement contiennent des valeurs aberrantes, des instances mal étiquetées ou des distributions de bruit à queue lourde.
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
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/fr/machine-learning/robust-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
- BoostingApprentissage automatique↔ compare
- Forêt AléatoireApprentissage automatique↔ compare
- Robust BoostingApprentissage automatique↔ compare
- Forêt Aléatoire RobusteApprentissage automatique↔ compare
- Ensemble par voteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →