Bagging (agregacja bootstrapowa)
Bagging, skrót od Bootstrap Aggregating, to meta-algorytm zespołowy wprowadzony przez Leo Breimana w 1996 roku, który trenuje wiele kopii bazowego modelu uczącego na niezależnie pobranych próbach bootstrapowych danych treningowych i łączy ich predykcje — przez uśrednianie dla regresji lub głosowanie większościowe dla klasyfikacji — w celu uzyskania finalnego predyktora o znacznie niższej wariancji niż pojedynczy bazowy model uczący.
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.
+16 more
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/pl/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.
- AdaBoostUczenie maszynowe↔ compare
- Drzewo decyzyjneUczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- XGBoostUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →