Machine learning
배깅 (Bootstrap Aggregating)
배깅(Bagging)은 1996년 Leo Breiman이 소개한 앙상블 메타 알고리즘으로, 훈련 데이터에서 독립적으로 추출된 부트스트랩 샘플에 대해 기본 학습기(base learner)의 여러 복사본을 훈련시키고, 회귀의 경우 평균, 분류의 경우 다수결 투표를 통해 예측을 결합하여 단일 기본 학습기보다 분산이 상당히 낮은 최종 예측기를 생성합니다.
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.
+16 more
출처
- 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
이 페이지 인용 방법
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/ko/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.
- AdaBoost머신러닝↔ compare
- 결정 트리머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare