Bayesiaanse Bagging
Bayesiaanse Bagging vervangt de klassieke bootstrap door de Bayesiaanse bootstrap — waarbij Dirichlet-verdeelde gewichten over trainingswaarnemingen worden getrokken in plaats van te samplen met teruglegging — en traint een ensemble van basisleerders onder die gewichten. Het resultaat is een principieel ensemble dat een Bayesiaanse posterior over voorspellingen benadert, wat gekalibreerde onzekerheidsschattingen oplevert naast een sterke voorspellende nauwkeurigheid.
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.
Bronnen
- Clyde, M. & Lee, H. (2001). Bagging and the Bayesian bootstrap. In T. Richardson & T. Jaakkola (Eds.), Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001). link ↗
- Rubin, D. B. (1981). The Bayesian bootstrap. The Annals of Statistics, 9(1), 130–134. DOI: 10.1214/aos/1176345338 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Bayesian Bagging (Bootstrap Aggregation with Bayesian Bootstrap). ScholarGate. https://scholargate.app/nl/machine-learning/bayesian-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.
- Bayesiaanse BoostingMachine learning↔ compare
- Bayesian Random ForestMachine learning↔ compare
- BoostingMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Semi-supervised BaggingMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →