Bagging Ensemble
Bagging, skrót od bootstrap aggregating, to metoda zespołowa (ang. ensemble method), która redukuje wariancję poprzez trenowanie wielu kopii pojedynczego algorytmu uczącego na różnych losowych podzbiorach danych treningowych. Każdy podzbiór jest tworzony za pomocą próbkowania bootstrapowego — losowego pobierania próbek ze zwracaniem. Predykcje są łączone poprzez głosowanie większościowe (klasyfikacja) lub uśrednianie (regresja). Wprowadzony przez Leo Breimana w 1996 roku, bagging stanowi podstawę dla lasów losowych i jest szczególnie skuteczny w redukowaniu przeuczenia w modelach o wysokiej wariancji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/pl/ensemble-learning/bagging-ensemble
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.
- AdaBoostUczenie maszynowe↔ compare
- Boosting EnsembleUczenie zespołowe↔ compare
- Głosowanie większościoweUczenie zespołowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →