Robuuste Bagging
Robuuste Bagging breidt het klassieke Bootstrap Aggregating (Bagging) raamwerk uit door standaard basisleerders te vervangen of aan te vullen met robuuste schatters — of door robuuste aggregatieregels te gebruiken — zodat het ensemble accuraat blijft, zelfs wanneer trainingsdata uitschieters, verkeerd gelabelde instanties of zwaar-staartige ruisverdelingen bevatten.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/nl/machine-learning/robust-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
- BoostingMachine learning↔ compare
- Random ForestMachine learning↔ compare
- Robust BoostingMachine learning↔ compare
- Robuuste Random ForestMachine learning↔ compare
- Voting EnsembleMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →