Bagging (Bootstrap Aggregating)
Bagging, kortweg Bootstrap Aggregating, is een ensemble-meta-algoritme geïntroduceerd door Leo Breiman in 1996 dat meerdere kopieën van een basisleermodule traint op onafhankelijk getrokken bootstrap-steekproeven van de trainingsgegevens en hun voorspellingen combineert — door middeling voor regressie of meerderheidsstemming voor classificatie — om een finale voorspeller te produceren met aanzienlijk lagere variantie dan enige individuele basisleermodule.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Bronnen
- 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
Deze pagina citeren
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/nl/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.
- AdaBoostMachine learning↔ compare
- BeslisboomMachine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Random ForestMachine learning↔ compare
- XGBoostMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →