Robust Bagging
A Robust Bagging a klasszikus Bootstrap Aggregating (Bagging) keretrendszer kiterjesztése oly módon, hogy a standard alaptanulókat robusztus becslőkkel helyettesítik vagy egészítik ki – vagy robusztus aggregációs szabályokat alkalmaznak –, így az együttes (ensemble) továbbra is pontos marad akkor is, ha a tanítóadatok kiugró értékeket, hibásan címkézett példányokat vagy nehéz farkú zajeloszlásokat tartalmaznak.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/hu/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)Gépi tanulás↔ compare
- BoostingGépi tanulás↔ compare
- Véletlen erdőGépi tanulás↔ compare
- Robusztus BoostingGépi tanulás↔ compare
- Robust Random ForestGépi tanulás↔ compare
- Voting EnsembleGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →