Online Bagging
Online Bagging är en strömmande ensemblemetod som introducerades av Oza och Russell år 2001 och som anpassar det klassiska ramverket bootstrap aggregating (Bagging) till onlineinlärningsscenariot. Istället för att återuttrycka ett fast dataset matas varje inkommande instans till varje basinlärningsmodell ett antal gånger fördelat enligt Poisson(1), vilket troget approximerar bootstrap-sampling allteftersom strömmen utvecklas. Resultatet är en robust, inkrementellt uppdaterad ensemble som kan hantera konceptdrift och kontinuerlig datainmatning utan att lagra hela datasetet.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/sv/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)Maskininlärning↔ compare
- Gradient BoostingMaskininlärning↔ compare
- Online BoostingMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →