Machine learningEnsemble
배깅 앙상블
배깅(bagging)은 훈련 데이터의 무작위 부분집합 여러 개에 대해 단일 학습 알고리즘의 복사본을 훈련시켜 분산을 줄이는 앙상블 기법입니다. 각 부분집합은 복원 추출을 통한 무작위 샘플링으로 생성됩니다. 예측은 다수결 투표(분류) 또는 평균(회귀)을 통해 결합됩니다. 1996년 Leo Breiman이 도입한 배깅은 랜덤 포레스트의 기초를 형성하며, 특히 고분산 모델의 과적합을 줄이는 데 효과적입니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/ko/ensemble-learning/bagging-ensemble
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.
Compare side by side →