Machine learningMachine learning
ロバストバギング
ロバストバギングは、従来のブートストラップ集約（Bagging）フレームワークを拡張したもので、標準的なベース学習器をロバストな推定量に置き換えたり、それらを補強したり、あるいはロバストな集約ルールを使用したりすることで、訓練データに外れ値、誤ったラベルのインスタンス、または裾の重いノイズ分布が含まれている場合でも、アンサンブルの精度を維持します。
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/ja/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.
- バギング（ブートストラップ集約）機械学習↔ compare
- 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
- ロバストブースティング機械学習↔ compare
- ロバスト・ランダム・フォレスト機械学習↔ compare
- 投票アンサンブル機械学習↔ compare