Online Bagging
Online Bagging je metóda prúdového ensemble, ktorú v roku 2001 predstavili Oza a Russell a ktorá adaptuje klasický rámec bootstrap aggregating (Bagging) na prostredie online učenia. Namiesto opätovného vzorkovania fixnej databázy je každá prichádzajúca inštancia dodaná každému základnému učiacemu sa modelu Poisson(1)-rozdeleným počtom opakovaní, čím sa verne aproximuje bootstrap vzorkovanie, ako sa prúd vyvíja. Výsledkom je robustný, inkrementálne aktualizovaný ensemble, ktorý dokáže zvládnuť konceptový drift a nepretržitý prísun dát bez ukladania celej databázy.
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
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/sk/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.
- Bagging (Bootstrap Aggregating)Strojové učenie↔ compare
- Gradient BoostingStrojové učenie↔ compare
- Online BoostingStrojové učenie↔ compare
- Náhodný lesStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →