Bagging (Bootstrap Aggregating)
A bagging (Bootstrap Aggregating) egy 1996-ban Leo Breiman által bevezetett ensemble meta-algoritmus, amely egy alap tanuló többszörös példányát tanítja a tanító adatokból függetlenül húzott bootstrap mintákon, és ezek előrejelzéseit — regresszió esetén átlagolással, osztályozás esetén többségi szavazással — kombinálja, hogy egy végső prediktort hozzon létre, amelynek szórása lényegesen kisebb, mint bármelyik alap tanulóé.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Források
- 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
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/hu/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.
- AdaBoostGépi tanulás↔ compare
- Döntési faGépi tanulás↔ compare
- Gradient BoostingGépi tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- XGBoostGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →