Ансамбль беггінгу
Беггінг, скорочення від bootstrap aggregating (агрегування за допомогою бутстрепу), — це ансамблевий метод, який зменшує дисперсію шляхом тренування множинних копій одного навчального алгоритму на різних випадкових підмножинах навчальних даних. Кожна підмножина створюється шляхом бутстреп-вибірки — випадкового витягування з поверненням. Прогнози комбінуються шляхом голосування більшості (класифікація) або усереднення (регресія). Запроваджений Лео Брейманом у 1996 році, беггінг є основою для випадкових лісів і особливо ефективний для зменшення перенавчання в моделях з високою дисперсією.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/uk/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.
- AdaBoostМашинне навчання↔ compare
- Бустинг (Ансамбль)Ансамблеве навчання↔ compare
- Мажоритарне голосуванняАнсамблеве навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →