Bagim (Agregimi Bootstrap)
Bagimi, shkurt për Agregim Bootstrap, është një meta-algoritëm ansambël i prezantuar nga Leo Breiman në 1996, i cili trajnon kopje të shumta të një nxënësi bazë mbi mostra bootstrap tërhequra në mënyrë të pavarur nga të dhënat e trajnimit dhe kombinon parashikimet e tyre — duke mesatarizuar për regresion ose votim shumice për klasifikim — për të prodhuar një parashikues përfundimtar me variancë dukshëm më të ulët se çdo nxënës bazë i vetëm.
Lexoni metodën e plotë
Hyni me një llogari falas për ta lexuar këtë seksion.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Burimet
- 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
Si ta citoni këtë faqe
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/sq/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.
- AdaBoostMësimi i makinës↔ compare
- Pemët e vendimmarrjesMësimi i makinës↔ compare
- Përmbledhja me Gradient (Gradient Boosting)Mësimi i makinës↔ compare
- Pylli i RastësishëmMësimi i makinës↔ compare
- XGBoostMësimi i makinës↔ compare
Cituar nga
Vutë re një problem në këtë faqe? Raportojeni ose sugjeroni një korrigjim →