Bagging Robusto
Il Bagging Robusto estende il framework classico del Bootstrap Aggregating (Bagging) sostituendo o integrando i classificatori base standard con stimatori robusti — o utilizzando regole di aggregazione robuste — in modo che l'insieme rimanga accurato anche quando i dati di addestramento contengono outlier, istanze etichettate erroneamente o distribuzioni di rumore a coda pesante.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/it/machine-learning/robust-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
- BoostingApprendimento automatico↔ compare
- Random ForestApprendimento automatico↔ compare
- Robust BoostingApprendimento automatico↔ compare
- Random Forest RobustoApprendimento automatico↔ compare
- Ensemble a votazioneApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →