Machine learningMachine learning
앙상블 선형 회귀
앙상블 선형 회귀는 여러 개의 최소제곱법(ordinary least-squares) 모델을 결합하고 그 예측값들을 평균내는 기법입니다. 각 모델은 서로 다른 부트스트랩 표본(bootstrap sample) 또는 특징 부분집합(feature subset)에 맞춰집니다. 이 기법은 Breiman의 배깅(bagging) 프레임워크(1996)에 기반하며, 단일 선형 회귀 적합에 비해 분산을 줄이고 예측 안정성을 향상시키는 동시에 선형 가정의 해석 가능성을 유지합니다.
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 ↗
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8). Springer. ISBN: 978-0-387-84857-0
이 페이지 인용 방법
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/ko/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.
- 배깅 (Bootstrap Aggregating)머신러닝↔ compare
- 선형 회귀 (ML)머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare
- 정규화 선형 회귀머신러닝↔ compare
- 릿지 회귀(Ridge Regression)머신러닝↔ compare
- Voting Ensemble머신러닝↔ compare