Bagging (Bootstrap Aggregating)
Bagging, singkatan dari Bootstrap Aggregating, adalah meta-algoritma ensemble yang diperkenalkan oleh Leo Breiman pada tahun 1996 yang melatih banyak salinan dari pembelajar dasar pada sampel bootstrap yang ditarik secara independen dari data pelatihan dan menggabungkan prediksinya — dengan merata-ratakan untuk regresi atau suara mayoritas untuk klasifikasi — untuk menghasilkan prediktor akhir dengan varians yang jauh lebih rendah daripada pembelajar dasar tunggal.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Sumber
- 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
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/id/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.
- AdaBoostPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Peningkatan GradienPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →