ScholarGate
Assistente
Machine learningEnsemble

Bagging Ensemble

Il Bagging, abbreviazione di bootstrap aggregating, è un metodo d'insieme (ensemble method) che riduce la varianza addestrando molteplici copie di un singolo algoritmo di apprendimento su diversi sottoinsiemi casuali dei dati di addestramento. Ciascun sottoinsieme è creato tramite campionamento bootstrap—estrazione casuale di campioni con reimmissione. Le predizioni vengono combinate tramite voto di maggioranza (classificazione) o media (regressione). Introdotto da Leo Breiman nel 1996, il bagging costituisce il fondamento delle foreste casuali (random forests) ed è particolarmente efficace nel ridurre l'overfitting nei modelli ad alta varianza.

Apri in MethodMindIn arrivoVideoIn arrivoScarica le diapositive

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Mappa dei metodi

Il vicinato dei metodi correlati — seleziona un nodo per esplorare.

Fonti

  1. Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655
  2. Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552

Come citare questa pagina

ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/it/ensemble-learning/bagging-ensemble

Quale metodo?

Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.

Confronta affiancati

Citato da

ScholarGateBagging Ensemble (Bootstrap Aggregating Ensemble). Consultato il 2026-06-15 da https://scholargate.app/it/ensemble-learning/bagging-ensemble · Insieme di dati: https://doi.org/10.5281/zenodo.20539026