Machine learningMachine learning
Robust Bagging
Robust Bagging은 표준 기본 학습기(base learner)를 강건 추정량(robust estimator)으로 대체하거나 보강하는 방식 — 또는 강건한 집계 규칙(aggregation rule)을 사용하는 방식 — 으로 고전적인 Bootstrap Aggregating (Bagging) 프레임워크를 확장하여, 훈련 데이터에 이상치(outlier), 잘못 레이블링된 인스턴스, 또는 꼬리가 두꺼운(heavy-tailed) 노이즈 분포가 포함되어 있더라도 앙상블(ensemble)이 정확도를 유지하도록 합니다.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/ko/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.
- 배깅 (Bootstrap Aggregating)머신러닝↔ compare
- 부스팅머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare
- 로버스트 부스팅(Robust Boosting)머신러닝↔ compare
- 로버스트 랜덤 포레스트머신러닝↔ compare
- Voting Ensemble머신러닝↔ compare