Online Bagging
Online Bagging to metoda zespołowa strumieniowa wprowadzona przez Oza i Russella w 2001 roku, która adaptuje klasyczne ramy agregacji bootstrap (Bagging) do ustawienia uczenia online. Zamiast ponownego próbkowania ustalonego zbioru danych, każda napływająca instancja jest podawana każdemu uczącemu bazowemu określoną liczbę razy, rozłożoną zgodnie z rozkładem Poissona(1), wiernie aproksymując próbkowanie bootstrap w miarę ewolucji strumienia. Rezultatem jest solidny, przyrostowo aktualizowany zespół, który może obsługiwać dryf koncepcji i ciągłe napływanie danych bez przechowywania całego zbioru danych.
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
- Oza, N. C., & Russell, S. (2001). Online bagging and boosting. In Proceedings of the Eighth International Workshop on Artificial Intelligence and Statistics (AISTATS 2001), pp. 105–112. link ↗
- Bifet, A., Holmes, G., Kirkby, R., & Pfahringer, B. (2010). MOA: Massive Online Analysis. Journal of Machine Learning Research, 11, 1601–1604. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/pl/machine-learning/online-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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- Gradient BoostingUczenie maszynowe↔ compare
- Przyrostowe uczenie zespołoweUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →