Bagging (Bootstrap Aggregating)
Bagging, skraćeno od Bootstrap Aggregating, jeste meta-algoritam ansambla koji je Leo Breiman uveo 1996. godine, a koji obučava više kopija osnovnog učitelja na nezavisno izvučenim bootstrap uzorcima podataka za obuku i kombinuje njihove predikcije — prosekovanjem za regresiju ili većinskim glasanjem za klasifikaciju — kako bi se proizveo konačni prediktor sa znatno nižom varijansom od bilo kog pojedinačnog osnovnog učitelja.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Izvori
- 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
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/sr/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.
- AdaBoostMašinsko učenje↔ compare
- Дрво одлучивањаMašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- XGBoostMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →