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.
Method map
The neighbourhood of related methods — select a node to explore.
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
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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ compare
- Boosting EnsembleApprendimento ensemble↔ compare
- Voto a MaggioranzaApprendimento ensemble↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →