Bagging算法
![]() | 此條目可参照英語維基百科相應條目来扩充。 (2024年5月20日) |
机器学习与数据挖掘 |
---|
![]() |
Bagging算法 (英語:Bootstrap aggregating,引導聚集算法),又稱裝袋算法,是機器學習領域的一種集成學習算法。最初由Leo Breiman於1994年提出。Bagging算法可與其他分類、回歸算法結合,提高其準確率、穩定性的同時,透過降低結果的變異數,避免過擬合的發生。
算法步骤
给定一个大小为的训练集,Bagging算法从中均匀、有放回地(即使用自助抽样法)选出个大小为的子集,作为新的训练集。在这个训练集上使用分类、回归等算法,则可得到个模型,再透過取平均值、取多数票等方法,即可得到Bagging的结果。
参考文献
- Breiman, Leo. Bagging predictors (PDF). Technical Report No. 421. 1994 [2020-01-11]. (原始内容存档 (PDF)于2019-07-18).
- Breiman, Leo. Bagging predictors. Machine Learning. 1996, 24 (2): 123–140. doi:10.1007/BF00058655. CiteSeerX: 10.1.1.32.9399
.
- Alfaro, E., Gámez, M. and García, N. adabag: An R package for classification with AdaBoost.M1, AdaBoost-SAMME and Bagging. 2012 [2016-10-02]. (原始内容存档于2019-09-24).