Bagging Online
Bagging Online é um método de ensemble de streaming introduzido por Oza e Russell em 2001 que adapta o framework clássico de agregação de bootstrap (Bagging) para o cenário de aprendizado online. Em vez de reamostrar um conjunto de dados fixo, cada instância de entrada é fornecida a cada aprendiz base um número de vezes distribuído por Poisson(1), aproximando fielmente a amostragem bootstrap à medida que o fluxo evolui. O resultado é um ensemble robusto e atualizado incrementalmente que pode lidar com desvio de conceito e chegada contínua de dados sem armazenar o conjunto de dados completo.
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.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/pt/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 (Bootstrap Aggregating)Aprendizado de máquina↔ compare
- Gradient BoostingAprendizado de máquina↔ compare
- Online BoostingAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →