Online Bagging
Online Bagging ialah kaedah ensemble penstriman yang diperkenalkan oleh Oza dan Russell pada tahun 2001 yang mengadaptasi rangka kerja pengelompokan bootstrap (Bagging) klasik kepada tetapan pembelajaran dalam talian. Berbanding mengambil semula sampel daripada set data tetap, setiap contoh yang masuk diberi kepada setiap pelajar asas sejumlah kali yang didistribusikan secara Poisson(1), dengan setia menghampiri pensampelan bootstrap apabila aliran berkembang. Hasilnya ialah ensemble yang mantap, dikemas kini secara inkremental yang boleh mengendalikan anjakan konsep dan ketibaan data berterusan tanpa menyimpan keseluruhan set data.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/ms/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)Pembelajaran Mesin↔ compare
- Peningkatan CerunPembelajaran Mesin↔ compare
- Online BoostingPembelajaran Mesin↔ compare
- Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →