Machine learningMachine learning
アンサンブル線形回帰
アンサンブル線形回帰は、複数の最小二乗法モデルを組み合わせ、それらの予測値を平均化する手法です。各モデルは異なるブートストラップ標本または特徴量サブセットで学習されます。この手法は、Breiman (1996) のバギングの枠組みに根ざしており、単一の線形回帰モデルと比較して分散を低減し、予測の安定性を向上させると同時に、線形仮定の解釈可能性を維持します。
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.
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). Springer. ISBN: 978-0-387-84857-0
このページの引用方法
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/ja/machine-learning/ensemble-linear-regression
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.
- バギング（ブートストラップ集約）機械学習↔ compare
- 線形回帰（機械学習）機械学習↔ compare
- ランダムフォレスト機械学習↔ compare
- 正則化線形回帰機械学習↔ compare
- リッジ回帰機械学習↔ compare
- 投票アンサンブル機械学習↔ compare