Bagging Ensemble
Bagging, sa īsinājums no bootstrap aggregating (būtstrapa agregēšana), ir ansambļa metode, kas samazina dispersiju, apmācot vairākas vienas mācīšanās algoritma kopijas uz dažādiem nejaušiem apmācības datu apakškopām. Katra apakškopa tiek veidota, izmantojot būtstrapa izlasi — nejaušu izlasi ar atgriešanu. Prognozes tiek apvienotas, izmantojot vairākuma balsošanu (klasifikācija) vai vidējo vērtību (regresija). Šo metodi 1996. gadā ieviesa Leo Breimans, un tā veido pamatu Random Forests metodei, kā arī ir īpaši efektīva pārmācīšanās (overfitting) samazināšanai modeļiem ar augstu dispersiju.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/lv/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.
- AdaBoostMašīnmācīšanās↔ compare
- Pastipināšanas ansamblisAnsambļu mācīšanās↔ compare
- Balsojums vairākumāAnsambļu mācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →