Bagging (Bootstrap Aggregating)
Bagging, viết tắt của Bootstrap Aggregating, là một thuật toán meta tập hợp (ensemble meta-algorithm) được Leo Breiman giới thiệu năm 1996, huấn luyện nhiều bản sao của một bộ học cơ sở (base learner) trên các mẫu bootstrap được rút ra độc lập từ dữ liệu huấn luyện và kết hợp các dự đoán của chúng — bằng cách lấy trung bình cho bài toán hồi quy hoặc bỏ phiếu đa số cho bài toán phân loại — để tạo ra một bộ dự báo cuối cùng có phương sai thấp hơn đáng kể so với bất kỳ bộ học cơ sở đơn lẻ nào.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Nguồn tài liệu
- 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
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/vi/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.
- AdaBoostHọc máy↔ compare
- Cây Quyết địnhHọc máy↔ compare
- Gradient BoostingHọc máy↔ compare
- Rừng ngẫu nhiênHọc máy↔ compare
- XGBoostHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →