Ensemble Lineaire Regressie
Ensemble Lineaire Regressie combineert meerdere ordinary least-squares (OLS) modellen – elk gefit op een andere bootstrap-steekproef of feature-subset – en middelt hun voorspellingen. De techniek, gebaseerd op Breiman's bagging-framework (1996), reduceert variantie en verbetert de voorspellende stabiliteit vergeleken met een enkele lineaire regressie-fit, terwijl de interpreteerbaarheid van lineaire aannames behouden blijft.
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
- 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). Springer. ISBN: 978-0-387-84857-0
Deze pagina citeren
ScholarGate. (2026, June 3). Ensemble of Linear Regression Models (Bagged and Stacked Linear Regression). ScholarGate. https://scholargate.app/nl/machine-learning/ensemble-linear-regression
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)Machine learning↔ compare
- Lineaire regressie (ML)Machine learning↔ compare
- Random ForestMachine learning↔ compare
- Geregulariseerde Lineaire RegressieMachine learning↔ compare
- Ridge-regressieMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Een fout op deze pagina gezien? Meld het of stel een correctie voor →