Bagging (Bootstrap Aggregating)
Bagging, kort for Bootstrap Aggregating, er en ensemble-meta-algoritme introdusert av Leo Breiman i 1996. Den trener multiple kopier av en basislærer på uavhengig trukne bootstrap-utvalg av treningsdataene og kombinerer prediksjonene deres — ved gjennomsnittsberegning for regresjon eller flertallsavstemning for klassifisering — for å produsere en endelig prediktor med vesentlig lavere varians enn noen enkelt basislærer.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Kilder
- 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
Slik siterer du denne siden
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/no/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.
- AdaBoostMaskinlæring↔ compare
- BeslutningstreMaskinlæring↔ compare
- Gradient BoostingMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →