Bagging Ensemble
Bagging, בקיצור bootstrap aggregating, היא שיטת אנסמבל המפחיתה שונות על-ידי אימון עותקים מרובים של אלגוריתם למידה יחיד על תת-קבוצות אקראיות שונות של נתוני האימון. כל תת-קבוצה נוצרת באמצעות דגימת bootstrap — דגימה אקראית עם החזרה. החיזויים משולבים באמצעות הצבעת רוב (סיווג) או מיצוע (רגרסיה). Bagging, שהוצג על ידי Leo Breiman בשנת 1996, מהווה את הבסיס ליערות אקראיים (Random Forests) ויעיל במיוחד להפחתת התאמת יתר (overfitting) במודלים בעלי שונות גבוהה.
קראו את השיטה במלואה
התחברו עם חשבון חינמי כדי לקרוא חלק זה.
Method map
The neighbourhood of related methods — select a node to explore.
מקורות
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
איך לצטט עמוד זה
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/he/ensemble-learning/bagging-ensemble
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.
- AdaBoostלמידת מכונה↔ compare
- שיטת אנסמבל חיזוק (Boosting Ensemble)למידת אנסמבל↔ compare
- הצבעת רובלמידת אנסמבל↔ compare
- יער אקראילמידת מכונה↔ compare