Bagging算法
![]() | 此條目可參照英語維基百科相應條目來擴充。 (2024年5月20日) |
機器學習與資料探勘 |
---|
![]() |
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。
算法步驟
給定一個大小為的訓練集,Bagging算法從中均勻、有放回地(即使用自助抽樣法)選出個大小為的子集,作為新的訓練集。在這個訓練集上使用分類、回歸等算法,則可得到個模型,再透過取平均值、取多數票等方法,即可得到Bagging的結果。
參考文獻
- Breiman, Leo. Bagging predictors (PDF). Technical Report No. 421. 1994 [2020-01-11]. (原始內容存檔 (PDF)於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]. (原始內容存檔於2019-09-24).