Beijesiskā iepakojuma (Bayesian Bagging) metode
Beijesiskā iepakojuma metode klasisko bootstrap metodi aizstāj ar beijesisko bootstrap metodi — Dirichlet sadalījumā sadalītiem svariem, kas piešķirti apmācības novērojumiem, nevis izlases veidošanu ar atgriešanu — un apmācītu pamata apguvēju kopumu ar šiem svariem. Rezultāts ir principāls kopums, kas tuvojas beijesisko posterioru prognozēm, nodrošinot kalibrētus nenoteiktības novērtējumus līdztekus spēcīgai prognožu precizitātei.
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
- Clyde, M. & Lee, H. (2001). Bagging and the Bayesian bootstrap. In T. Richardson & T. Jaakkola (Eds.), Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001). link ↗
- Rubin, D. B. (1981). The Bayesian bootstrap. The Annals of Statistics, 9(1), 130–134. DOI: 10.1214/aos/1176345338 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Bagging (Bootstrap Aggregation with Bayesian Bootstrap). ScholarGate. https://scholargate.app/lv/machine-learning/bayesian-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.
- Baijesa "boosting" (Bayesian Boosting)Mašīnmācīšanās↔ compare
- Beiziešu nejaušais mežsMašīnmācīšanās↔ compare
- PastiprināšanaMašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
- Iesauktā daudzpakāpju apmācība (Semi-supervised Bagging)Mašīnmācīšanās↔ compare
- Balsošanas ansamblisMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →