Robust Bagging
Robust Bagging utvider det klassiske rammeverket Bootstrap Aggregating (Bagging) ved å erstatte eller supplere standard basislæringsmodeller med robuste estimatorer – eller ved å bruke robuste aggregeringsregler – slik at ensemblet forblir nøyaktig selv når treningsdata inneholder uteliggere, feilmerkede instanser eller støyfordelinger med tunge haler.
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.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/no/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)Maskinlæring↔ compare
- BoostingMaskinlæring↔ compare
- Random ForestMaskinlæring↔ compare
- Robust BoostingMaskinlæring↔ compare
- Robust Random ForestMaskinlæring↔ compare
- StemmeensembleMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →