Bagging (Bootstrap Aggregating)
Bagging, abreviação de Bootstrap Aggregating, é um meta-algoritmo de ensemble introduzido por Leo Breiman em 1996 que treina múltiplas cópias de um aprendiz base em amostras bootstrap extraídas independentemente dos dados de treinamento e combina suas previsões — por média para regressão ou voto majoritário para classificação — para produzir um preditor final com variância substancialmente menor do que qualquer aprendiz base individual.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Fontes
- 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
Como citar esta página
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/pt/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.
- AdaBoostAprendizado de máquina↔ compare
- Árvore de DecisãoAprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- XGBoostAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →