Online Bagging
Online Bagging is een streaming ensemblemethode die in 2001 door Oza en Russell werd geïntroduceerd en die het klassieke bootstrap aggregating (Bagging)-framework aanpast aan de online leeromgeving. In plaats van een vaste dataset te resamplen, wordt elke binnenkomende instantie een Poisson(1)-verdeeld aantal keren aan elke basisleermachine aangeboden, wat de bootstrap-sampling getrouw benadert naarmate de stroom evolueert. Het resultaat is een robuust, incrementeel bijgewerkt ensemble dat conceptdrift en continue data-aanvoer kan verwerken zonder de gehele dataset op te slaan.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/nl/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)Machine learning↔ compare
- Gradient BoostingMachine learning↔ compare
- Online BoostingMachine learning↔ compare
- Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →