Bagging (Agregare Bootstrap)
Bagging, prescurtare de la Bootstrap Aggregating, este un meta-algoritm de ansamblu introdus de Leo Breiman în 1996, care antrenează multiple copii ale unui clasificator de bază pe eșantioane bootstrap extrase independent din datele de antrenament și combină predicțiile acestora — prin mediere pentru regresie sau vot majoritar pentru clasificare — pentru a produce un predictor final cu o varianță substanțial mai mică decât oricare clasificator de bază individual.
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.
+16 more
Surse
- 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
Cum se citează această pagină
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/ro/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.
- AdaBoostÎnvățare automată↔ compare
- Arbore de decizieÎnvățare automată↔ compare
- Gradient BoostingÎnvățare automată↔ compare
- Pădurea Aleatoare (Random Forest)Învățare automată↔ compare
- XGBoostÎnvățare automată↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →