Bagging (Bootstrap Aggregating)
Bagging, скорочення від Bootstrap Aggregating, — це ансамблевий метаалгоритм, представлений Лео Брейманом у 1996 році, який навчає кілька копій базового навчального алгоритму на незалежно відібраних бутстреп-вибірках навчальних даних і комбінує їхні прогнози — шляхом усереднення для регресії або голосування більшістю для класифікації — для створення остаточного предиктора зі значно меншою дисперсією, ніж будь-який окремий базовий навчальний алгоритм.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Джерела
- 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
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/uk/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.
- AdaBoostМашинне навчання↔ compare
- Дерево рішеньМашинне навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
- XGBoostМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →