Online Bagging
Online Bagging — це потоковий ансамблевий метод, представлений Oza та Russell у 2001 році, який адаптує класичну структуру агрегування бутстреп-вибірок (Bagging) до умов онлайн-навчання. Замість повторної вибірки фіксованого набору даних, кожен новий екземпляр подається кожному базовому учню кількість разів, розподілену за Пуассоном з параметром 1, що точно наближає бутстреп-вибірку в міру еволюції потоку. Результатом є стійкий, інкрементально оновлюваний ансамбль, який може обробляти дрейф концепцій та безперервне надходження даних без зберігання всього набору даних.
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
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Online Bagging (Incremental Bootstrap Aggregating). ScholarGate. https://scholargate.app/uk/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)Машинне навчання↔ compare
- Градiєнтний бустингМашинне навчання↔ compare
- Онлайн-бустингМашинне навчання↔ compare
- Випадковий лісМашинне навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →