ScholarGate
Pembantu
Machine learningMachine learning

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. 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
  2. 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.

Compare side by side

Dirujuk oleh

ScholarGateOnline Bagging (Online Bagging (Incremental Bootstrap Aggregating)). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/online-bagging · Set data: https://doi.org/10.5281/zenodo.20539026