Online Bagging
Online Bagging ir straumēšanas ansambļa metode, ko 2001. gadā ieviesa Oza un Rasels, un kas pielāgo klasisko bootstrap agregēšanas (Bagging) sistēmu tiešsaistes mācību iestatījumam. Tā vietā, lai atkārtoti izlasītu fiksētu datu kopu, katra ienākošā instance tiek padota katram bāzes apguvejam Poisson(1)-sadalījumā izdalītu reižu skaitu, uzticīgi tuvinot bootstrap izlasi, kamēr straume attīstās. Rezultāts ir robusts, inkrementāli atjaunināts ansamblis, kas var apstrādāt konceptuālās novirzes un nepārtrauktu datu ienākšanu, neuzglabājot visu datu kopu.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/lv/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.
- Bagging (Bootstrap Aggregating)Mašīnmācīšanās↔ compare
- Gradient BoostingMašīnmācīšanās↔ compare
- Tiešsaistes pastiprināšana (Online Boosting)Mašīnmācīšanās↔ compare
- Random ForestMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →