Online Bagging
Online Bagging — это потоковый ансамблевый метод, представленный Oza и Russell в 2001 году, который адаптирует классическую структуру бутстрэп-агрегирования (Bagging) к условиям онлайн-обучения. Вместо повторной выборки фиксированного набора данных, каждый поступающий экземпляр подается каждому базовому ученику количество раз, распределенное по Пуассону с параметром 1 (Poisson(1)), что точно аппроксимирует бутстрэп-выборку по мере эволюции потока. Результатом является робастный, инкрементально обновляемый ансамбль, который может обрабатывать дрейф концепции и непрерывное поступление данных без хранения всего набора данных.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/ru/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.
- Бэггинг (Бутстрэп-агрегирование)Машинное обучение↔ compare
- Градиентный бустингМашинное обучение↔ compare
- Онлайн-бустинг (Online Boosting)Машинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →