Bagging Ensemble
Bagging, skraćeno od bootstrap aggregating, jest ansamblna metoda koja smanjuje varijancu treniranjem višestrukih kopija pojedinačnog algoritma učenja na različitim slučajevima slučajnih poduzoraka skupa podataka za treniranje. Svaki poduzorak stvara se bootstrap uzorkovanjem – slučajnim odabirom uzoraka s ponavljanjem. Predikcije se kombiniraju glasanjem većine (klasifikacija) ili prosjekom (regresija). Bagging, koji je uveo Leo Breiman 1996., čini temelj za metode slučajnih šuma (random forests) i posebno je učinkovit u smanjenju prekomjernog prilagođavanja (overfitting) modela visoke varijance.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/hr/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.
- AdaBoostStrojno učenje↔ compare
- Pojacavanje (Boosting)Ansambl učenje↔ compare
- Većinsko glasovanjeAnsambl učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →