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.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- 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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ confronta
- Boosting EnsembleApprendimento ensemble↔ confronta
- Voto a MaggioranzaApprendimento ensemble↔ confronta
- Random ForestApprendimento automatico↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →