Bagging (Bootstrap Aggregating)
Bagging, kort för Bootstrap Aggregating, är en ensemble-metaalgoritm som introducerades av Leo Breiman 1996. Den tränar multipla kopior av en basinlärningsmodell på oberoende dragna bootstrap-stickprov av träningsdata och kombinerar deras prediktioner – genom medelvärdesbildning för regression eller majoritetsröstning för klassificering – för att producera en slutlig prediktor med väsentligt lägre varians än någon enskild basinlärningsmodell.
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.
+16 more
Källor
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/sv/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.
- AdaBoostMaskininlärning↔ compare
- BeslutsträdMaskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- XGBoostMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →