온라인 배깅
온라인 배깅(Online Bagging)은 Oza와 Russell이 2001년에 소개한 스트리밍 앙상블(streaming ensemble) 방법으로, 고전적인 부트스트랩 집계(Bagging) 프레임워크를 온라인 학습(online learning) 환경에 적용한 것입니다. 고정된 데이터셋을 재샘플링하는 대신, 각 입력 인스턴스는 푸아송 분포(Poisson(1))를 따르는 횟수만큼 모든 기본 학습기(base learner)에 공급되며, 이는 스트림이 진행됨에 따라 부트스트랩 샘플링을 충실히 근사합니다. 그 결과, 전체 데이터셋을 저장할 필요 없이 개념 변화(concept drift)와 연속적인 데이터 유입을 처리할 수 있는 견고하고 점진적으로 업데이트되는 앙상블이 생성됩니다.
방법 전문 읽기
무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/ko/machine-learning/online-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.
- 배깅 (Bootstrap Aggregating)머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- 온라인 부스팅머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare