Bagging (Bootstrap Aggregating)
Bagging, singkatan daripada Bootstrap Aggregating, ialah satu meta-algoritma kelompok (ensemble meta-algorithm) yang diperkenalkan oleh Leo Breiman pada tahun 1996. Ia melatih pelbagai salinan pembelajar asas (base learner) pada sampel bootstrap yang dilukis secara bebas daripada data latihan, dan menggabungkan ramalan mereka — melalui purata untuk regresi atau undi majoriti untuk klasifikasi — untuk menghasilkan prediktor akhir dengan varians yang jauh lebih rendah berbanding mana-mana pembelajar asas tunggal.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/ms/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.
- AdaBoostPembelajaran Mesin↔ compare
- Pohon KeputusanPembelajaran Mesin↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
- XGBoostPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →