Machine learning
バギング（ブートストラップ集約）
バギング（Bagging）は、ブートストラップ集約（Bootstrap Aggregating）の略で、1996年にレオ・ブライマンによって導入されたアンサンブルメタアルゴリズムです。これは、学習データから独立に描画されたブートストラップサンプル上でベース学習器の複数のコピーを訓練し、それらの予測を（回帰の場合は平均化、分類の場合は多数決によって）結合して、単一のベース学習器よりも実質的に低い分散を持つ最終的な予測器を生成します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
出典
- 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
このページの引用方法
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/ja/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.
- AdaBoost機械学習↔ compare
- 決定木機械学習↔ compare
- 勾配ブースティング機械学習↔ compare
- ランダムフォレスト機械学習↔ compare
- XGBoost機械学習↔ compare