Online Bagging
Az Online Bagging egy Oza és Russell által 2001-ben bevezetett, adatfolyam-alapú (streaming) ensemble módszer, amely a klasszikus bootstrap aggregating (Bagging) keretrendszert adaptálja az online tanulási beállításokhoz. Ahelyett, hogy egy rögzített adathalmazból mintát vennénk, minden beérkező példányt egy Poisson(1)-eloszlású számú alkalommal adunk át minden alaptanulónak, hűen közelítve a bootstrap mintavételt az adatfolyam fejlődésével. Az eredmény egy robusztus, inkrementálisan frissített ensemble, amely képes kezelni a koncepcióeltolódást (concept drift) és a folyamatos adatbeérkezést anélkül, hogy a teljes adathalmazt tárolni kellene.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Módszertérkép
A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.
Források
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/hu/machine-learning/online-bagging
Melyik módszer?
Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.
- Bagging (Bootstrap Aggregating)Gépi tanulás↔ összehasonlítás
- Gradient BoostingGépi tanulás↔ összehasonlítás
- Online BoostingGépi tanulás↔ összehasonlítás
- Véletlen erdőGépi tanulás↔ összehasonlítás
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →