Bagging Ensemble
Bagging, skrátene bootstrap aggregating, je ansámblová metóda, ktorá redukuje varianciu trénovaním viacerých kópií jedného učiacého algoritmu na rôznych náhodných podmnožinách tréningových dát. Každá podmnožina je vytvorená pomocou bootstrapového vzorkovania – náhodného výberu vzoriek s opakovaniami. Predikcie sa kombinujú pomocou majoritného hlasovania (klasifikácia) alebo priemerovania (regresia). Bagging, predstavený Leom Breimanom v roku 1996, tvorí základ pre náhodné lesy a je obzvlášť účinný pri redukcii preučenia (overfitting) vo vysoko-variabilných modeloch.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/sk/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.
- AdaBoostStrojové učenie↔ compare
- Zosilnenie (Boosting)Ansámblové učenie↔ compare
- Hlasovanie väčšinyAnsámblové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →