Robusno pojačavanje (Robust Bagging)
Robusno pojačavanje proširuje klasični okvir Bootstrap Aggregating (Bagging) zamjenom ili dopunom standardnih baznih učitelja (engl. base learners) robusnim procjeniteljima — ili korištenjem robusnih pravila agregacije — tako da ansambl ostaje točan čak i kada podaci za treniranje sadržavaju izvanredne vrijednosti (engl. outliers), pogrešno označene instance ili distribucije šuma s teškim repovima (engl. heavy-tailed noise distributions).
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/hr/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)Strojno učenje↔ compare
- BoostingStrojno učenje↔ compare
- Slučajna šumaStrojno učenje↔ compare
- Robust BoostingStrojno učenje↔ compare
- Robusna slučajna šumaStrojno učenje↔ compare
- Glasački sklopStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →