Online Bagging
Online Bagging je striming (streaming) ansambl metoda koju su uveli Oza i Russell 2001. godine, a koja prilagođava klasični okvir bootstrap agregiranja (Bagging) okruženju onlajn učenja. Umesto ponovnog uzorkovanja fiksiranog skupa podataka, svaka dolazna instanca se prosleđuje svakom baznom učeniku Poisson(1)-distribuiranim brojem puta, verno aproksimirajući bootstrap uzorkovanje kako se tok podataka razvija. Rezultat je robustan, inkrementalno ažuriran ansambl koji može da se nosi sa promenom koncepta (concept drift) i kontinuiranim pristizanjem podataka bez skladištenja celog skupa podataka.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/sr/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)Mašinsko učenje↔ compare
- Градијентно појачањеMašinsko učenje↔ compare
- Онлајн појачањеMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →