Bagging Ensemble
A bagging ensemble, a bootstrap aggregating (bagging) rövidítésből eredő eljárás, egy olyan ensemble módszer, amely a tanító adatok különböző véletlen részhalmazain többszörös példányokat tanítva csökkenti a varianciát. Minden részhalmaz bootstrap mintavétellel – véletlenszerű mintavétellel visszatevéssel – jön létre. A predikciókat többségi szavazással (osztályozás) vagy átlagolással (regresszió) kombinálják. Leo Breiman 1996-os bevezetése óta a bagging alapvető a random forest módszerek számára, és különösen hatékony az alulilleszkedés (overfitting) csökkentésében magas varianciájú modellek esetén.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/hu/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.
- AdaBoostGépi tanulás↔ compare
- Boosting EnsembleEgyüttes tanulás↔ compare
- Többségi szavazásEgyüttes tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →