Bagging Online
Online Bagging è un metodo d'insieme in streaming introdotto da Oza e Russell nel 2001 che adatta il framework classico del bootstrap aggregating (Bagging) all'impostazione dell'apprendimento online. Invece di ricampionare un dataset fisso, ogni istanza in arrivo viene fornita a ciascun apprenditore di base un numero di volte distribuito secondo Poisson(1), approssimando fedelmente il campionamento bootstrap man mano che lo stream evolve. Il risultato è un insieme robusto, aggiornato incrementalmente, in grado di gestire il concept drift e l'arrivo continuo di dati senza memorizzare l'intero dataset.
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
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/it/machine-learning/online-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.
- Bagging (Bootstrap Aggregating)Apprendimento automatico↔ compare
- Gradient BoostingApprendimento automatico↔ compare
- Boosting OnlineApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →