Robust Bagging
Robust Bagging proširuje klasični Bootstrap Aggregating (Bagging) okvir zamenom ili dopunom standardnih osnovnih učitelja (base learners) robustnim proceniteljima — ili korišćenjem robustnih pravila agregacije — tako da ansambl ostaje tačan čak i kada podaci za obuku sadrže odstupajuće vrednosti (outliers), instance sa pogrešnim etiketama, ili distribucije šuma sa teškim repovima (heavy-tailed noise distributions).
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
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/sr/machine-learning/robust-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
- BoostingMašinsko učenje↔ compare
- Slučajna šumaMašinsko učenje↔ compare
- Robusni BūstingMašinsko učenje↔ compare
- Робусна насумична шумаMašinsko učenje↔ compare
- Glasački ansamblMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →