Bagging (Bootstrap Aggregating)
Bagging, skraćeno Bootstrap Aggregating, je meta-algoritam ansambla koji je uveo Leo Breiman 1996. godine, a koji trenira višestruke kopije baznog učitelja na neovisno izvučenim bootstrap uzorcima podataka za treniranje i kombinira njihove predikcije — prosjekom za regresiju ili većinskim glasovanjem za klasifikaciju — kako bi se dobio konačni prediktor sa znatno nižom varijancom od bilo kojeg pojedinačnog baznog učitelja.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Izvori
- Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8.7). Springer. ISBN: 978-0-387-84857-0
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8.2). Springer. ISBN: 978-1-4614-7138-7
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/hr/machine-learning/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.
- AdaBoostStrojno učenje↔ compare
- Stablo odlučivanjaStrojno učenje↔ compare
- Povećanje gradijentaStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- XGBoostStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →