Robust Bagging
Robust Bagging estende o framework clássico de Bootstrap Aggregating (Bagging) substituindo ou aumentando os estimadores base padrão com estimadores robustos — ou usando regras de agregação robustas — de modo que o ensemble permaneça preciso mesmo quando os dados de treinamento contêm outliers, instâncias mal rotuladas ou distribuições de ruído de cauda pesada.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/pt/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 (Bootstrap Aggregating)Aprendizado de máquina↔ compare
- BoostingAprendizado de máquina↔ compare
- Random ForestAprendizado de máquina↔ compare
- Boosting RobustoAprendizado de máquina↔ compare
- Robust Random ForestAprendizado de máquina↔ compare
- Comitê de VotaçãoAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →