Bagging (Bootstrap Aggregating)
Bagging, sa saīsinājums no Bootstrap Aggregating, ir ansambļa metatalgoritms, ko 1996. gadā ieviesa Leo Breimans. Tas apmāca vairākas bāzes apguvēja kopijas uz neatkarīgi izvilktiem bāzes izlases (bootstrap) paraugiem no apmācības datiem un apvieno to prognozes — vidējot regresijas gadījumā vai vairākuma balsojumā klasifikācijas gadījumā — lai iegūtu galīgo prognozētāju ar būtiski mazāku dispersiju nekā jebkuram atsevišķam bāzes apguvējam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/lv/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.
- AdaBoostMašīnmācīšanās↔ compare
- Koku lēmumu pieņemšana (Decision Tree)Mašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- XGBoostMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →