Robust Bagging
Robust Bagging utökar det klassiska ramverket Bootstrap Aggregating (Bagging) genom att ersätta eller komplettera standardbasinlärningsalgoritmer med robusta skattare – eller genom att använda robusta aggregeringsregler – så att ensemblen förblir noggrann även när träningsdata innehåller avvikande värden, felmärkta instanser eller tungsvansade brusfördelningar.
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 ↗
- Chen, C., Liaw, A., & Breiman, L. (2004). Using Random Forest to Learn Imbalanced Data. University of California, Berkeley, Technical Report 666. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/sv/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)Maskininlärning↔ compare
- BoostingMaskininlärning↔ compare
- Random ForestMaskininlärning↔ compare
- Robust BoostingMaskininlärning↔ compare
- Robust Random ForestMaskininlärning↔ compare
- RöstningsensembleMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →