Robust Bagging
Robust Bagging расширяет классическую структуру Bootstrap Aggregating (Bagging), заменяя или дополняя стандартные базовые ученики (base learners) робастными оценщиками — или используя робастные правила агрегации — так, чтобы ансамбль оставался точным даже при наличии выбросов, ошибочно размеченных экземпляров или распределений с тяжелыми хвостами в обучающих 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
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/ru/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.
- Бэггинг (Бутстрэп-агрегирование)Машинное обучение↔ compare
- БустингМашинное обучение↔ compare
- Случайный лесМашинное обучение↔ compare
- Robust BoostingМашинное обучение↔ compare
- Robust Random ForestМашинное обучение↔ compare
- Голосующая ансамблевая модельМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →