Bagging (Bootstrap Aggregating)
Il Bagging, abbreviazione di Bootstrap Aggregating, è un meta-algoritmo di ensemble introdotto da Leo Breiman nel 1996 che addestra più copie di un "learner" di base su campioni bootstrap estratti indipendentemente dai dati di addestramento e combina le loro predizioni — tramite media per la regressione o voto a maggioranza per la classificazione — per produrre un predittore finale con una varianza sostanzialmente inferiore rispetto a qualsiasi singolo "learner" di base.
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.
+16 more
Fonti
- 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
Come citare questa pagina
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/it/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.
- [UNTRANSLATED: AdaBoost]Apprendimento automatico↔ compare
- Albero decisionaleApprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- XGBoostApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →