Bagging (Bootstrap Aggregating)
Bagging, skrátene Bootstrap Aggregating, je súborový meta-algoritmus predstavený Leom Breimanom v roku 1996, ktorý trénuje viacero kópií základného učiteľa na nezávisle vyžrebovaných bootstrap vzorkoch tréningových dát a kombinuje ich predikcie — priemerovaním pre regresiu alebo väčšinovým hlasovaním pre klasifikáciu — na produkciu finálneho prediktora s podstatne nižšou varianciou ako ktorýkoľvek jednotlivý základný učiteľ.
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.
+16 more
Zdroje
- 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
Ako citovať túto stránku
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/sk/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.
- AdaBoostStrojové učenie↔ compare
- Rozhodovací stromStrojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
- XGBoostStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →