Robust Bagging
Robust Bagging rozszerza klasyczne ramy Bootstrap Aggregating (Bagging) poprzez zastąpienie lub uzupełnienie standardowych bazowych modeli predykcyjnych (base learners) estymatorami odpornymi (robust estimators) — lub poprzez zastosowanie odpornych reguł agregacji — tak, aby zespół modelowy (ensemble) pozostał dokładny nawet wtedy, gdy dane treningowe zawierają wartości odstające, błędnie oznakowane instancje lub szum o rozkładzie ciężkoogonowym.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/pl/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 (agregacja bootstrapowa)Uczenie maszynowe↔ compare
- WzmocnienieUczenie maszynowe↔ compare
- Random ForestUczenie maszynowe↔ compare
- Solidne zwiększanie (Robust Boosting)Uczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
- Ensemble głosującyUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →