Robust Bagging
Robust Bagging ขยายกรอบการทำงานของ Bootstrap Aggregating (Bagging) แบบมาตรฐาน โดยการแทนที่หรือเสริมตัวเรียนรู้พื้นฐาน (base learners) มาตรฐานด้วยตัวประมาณค่าที่ทนทาน (robust estimators) หรือโดยการใช้กฎการรวมผล (aggregation rules) ที่ทนทาน เพื่อให้แบบจำลองแบบกลุ่ม (ensemble) ยังคงมีความแม่นยำ แม้ว่าข้อมูลการฝึกอบรมจะมีค่าผิดปกติ (outliers) ข้อมูลที่ติดป้ายกำกับผิด (mislabeled instances) หรือการแจกแจงสัญญาณรบกวนที่มีหางหนา (heavy-tailed noise distributions).
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Bagging (Bootstrap Aggregating with Robust Base Learners). ScholarGate. https://scholargate.app/th/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)การเรียนรู้ของเครื่อง↔ compare
- Boostingการเรียนรู้ของเครื่อง↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare
- Robust Boostingการเรียนรู้ของเครื่อง↔ compare
- Random Forest ที่ทนทานการเรียนรู้ของเครื่อง↔ compare
- การรวมแบบลงคะแนนการเรียนรู้ของเครื่อง↔ compare