Bagging Ensemble
Bagging, kort för bootstrap aggregating, är en ensemblemetod som reducerar varians genom att träna multipla kopior av en enskild inlärningsalgoritm på olika slumpmässiga delmängder av träningsdata. Varje delmängd skapas via bootstrap-sampling – slumpmässigt dragna stickprov med återläggning. Prediktioner kombineras genom majoritetsröstning (klassificering) eller medelvärdesbildning (regression). Bagging, introducerat av Leo Breiman 1996, utgör grunden för random forests och är särskilt effektivt för att reducera överanpassning i modeller med hög varians.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/sv/ensemble-learning/bagging-ensemble
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.
- AdaBoostMaskininlärning↔ compare
- Boosting EnsembleEnsembleinlärning↔ compare
- MajoritetsröstningEnsembleinlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →