Bagging Ensemble
Bagging, prescurtare de la bootstrap aggregating, este o metodă de ansamblu care reduce varianța prin antrenarea mai multor copii ale unui singur algoritm de învățare pe subseturi de date de antrenament diferite și aleatorii. Fiecare subset este creat prin eșantionare bootstrap—extragerea aleatorie de eșantioane cu înlocuire. Predicțiile sunt combinate prin vot majoritar (clasificare) sau prin mediere (regresie). Introdus de Leo Breiman în 1996, bagging formează fundamentul pentru random forests și este deosebit de eficient în reducerea supra-ajustării (overfitting) în modelele cu varianță ridicată.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
Cum se citează această pagină
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/ro/ensemble-learning/bagging-ensemble
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.
- AdaBoostÎnvățare automată↔ compare
- Ansamblu de boostingÎnvățare prin ansambluri↔ compare
- Vot majoritarÎnvățare prin ansambluri↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →