| http://dbpedia.org/ontology/abstract
|
Bootstrap aggregating, also called bagging … Bootstrap aggregating, also called bagging (from bootstrap aggregating), is a machine learning ensemble meta-algorithm designed to improve the stability and accuracy of machine learning algorithms used in statistical classification and regression. It also reduces variance and helps to avoid overfitting. Although it is usually applied to decision tree methods, it can be used with any type of method. Bagging is a special case of the model averaging approach.cial case of the model averaging approach.
, Бутстрэп-агрегирование или бэггинг, это ме … Бутстрэп-агрегирование или бэггинг, это метаалгоритм композиционного обучения машин, предназначенный для улучшения стабильности и точности алгоритмов машинного обучения, используемых в статистической классификации и регрессии. Алгоритм также уменьшает дисперсию и помогает избежать переобучения. Хотя он обычно применяется к методам обучения машин на основе деревьев решений, его можно использовать с любым видом метода. Бэггинг является частным видом усреднения модели. является частным видом усреднения модели.
, Бутстреп агрегація (англ. Bootstrap aggreg … Бутстреп агрегація (англ. Bootstrap aggregating) — це машинний навчальний груповий мета-алгоритм, створений для покращення стабільності і точності машинних навчальних алгоритмів, які використовують статистичні класифікації і регресії. Він також зменшує неточність, хоча зазвичай застосовується до методів «дерева рішень», але може використовуватися з будь-яким типом методів. Метод схожий на однак, замість використання декількох моделей на одних і тих самих данних, кожна модель застосовується до різних вибірок отриманих методом бутстреп.різних вибірок отриманих методом бутстреп.
, Bootstrap aggregating, disebut juga baggin … Bootstrap aggregating, disebut juga bagging, adalah penggabungan algoritma pembelajaran mesin (machine learning) yang dirancang untuk meningkatkan stabilitas dan akurasi dari algoritma machine learning yang digunakan dalam klasifikasi statistik dan regresi. Bagging juga mengurangi varians dan membantu untuk menghindari terjadinya overfitting. Meskipun biasanya diterapkan untuk metode decision tree, bagging dapat digunakan dengan semua jenis metode. Bagging merupakan kasus khusus dari pendekatan model averaging.us khusus dari pendekatan model averaging.
, Nell'apprendimento automatico, il bagging … Nell'apprendimento automatico, il bagging (contrazione di bootstrap aggregating) è una tecnica dell'apprendimento d'insieme in cui più modelli dello stesso tipo vengono addestrati su insiemi di dati diversi, ciascuno ottenuto da un insieme di dati iniziale tramite campionamento casuale con rimpiazzo (bootstrap). Il nome bagging deriva quindi dall'applicazione della tecnica del bootstrap con l'aggregazione di più modelli (aggregating).aggregazione di più modelli (aggregating).
, 배깅(영어: bagging)은 bootstrap aggregating의 줄임말로 통계적 분류와 회귀 분석에서 사용되는 기계 학습 알고리즘의 안정성과 정확도를 향상시키기 위해 고안된 일종의 앙상블 학습법의 메타 알고리즘이다. 또한 배깅은 분산을 줄이고 과적합(overfitting)을 피하도록 해준다. 결정 트리 학습법이나 랜덤 포레스트에만 적용되는 것이 일반적이기는 하나, 그 외의 다른 방법들과 함께 사용할 수 있다.
, La agregación de bootstrap, también conoci … La agregación de bootstrap, también conocida como empaquetado, es un metaalgoritmo de aprendizaje automático diseñado para mejorar la estabilidad y precisión de algoritmosde aprendizaje automático usados en clasificación estadística yregresión. Además reduce la varianza y ayuda a evitar elsobreajuste. Aunque es usualmente aplicado a métodos deárboles de decisión, puede ser usado con cualquiertipo de método. El empaquetado es un caso especial del promediado de modelos.n caso especial del promediado de modelos.
, ブートストラップ・アグリゲーティング（英: bootstrap aggregating）またはバギング（英: bagging）は、統計的分類および回帰で使われる機械学習アルゴリズムの安定性と精度を改善するために設計されたアンサンブル学習メタアルゴリズムである。バギングはバリアンス（分散）を縮小させ、過剰適合を避けることも助ける。通常は決定木に適用されるものの、どんな手法にも使うことができる。バギングはモデル平均化手法の一種である。
, Le bootstrap aggregating, également appelé … Le bootstrap aggregating, également appelé bagging (de bootstrap aggregating), est un meta-algorithme d'apprentissage ensembliste conçu pour améliorer la stabilité et la précision des algorithmes d'apprentissage automatique. Il réduit la variance et permet d'éviter le surapprentissage. Bien qu'il soit généralement appliqué aux méthodes d'arbres de décision, il peut être utilisé avec n'importe quel type de méthode. Le bootstrap aggregating est un cas particulier de l'approche d'apprentissage ensembliste.de l'approche d'apprentissage ensembliste.
, Bootstrap aggregating (Bagging) ist eine E … Bootstrap aggregating (Bagging) ist eine Ensemble learning Methode, um Vorhersagen aus verschiedenen Regressions- oder Klassifikationsmodellen (mit hoher Varianz in der Vorhersage) zu kombinieren und dadurch die Varianz zu verringern.Die Methode wurde ursprünglich von Leo Breiman entwickelt. Die Ergebnisse der Modelle werden dann im einfachsten Fall gemittelt, d. h. das Ergebnis jeder Modellvorhersage geht mit gleichem Gewicht in die Vorhersage ein. Zunächst wird mithilfe des Bootstrapping-Verfahrens Stichprobenwiederholungen des Umfanges aus dem Originaldatensatz erzeugt und auf diesen werden dann Vorhersagemodelle trainiert. Für einen Wert ergeben sich dann Vorhersagewerte . Ist der Vorhersagewert eine Klassenzugehörigkeit, dann könnte die am häufigsten vorhergesagte Klasse als Vorhersagewert genommen werden. Im Regressionsfall ergibt sich der Vorhersagewert als oder allgemein mit Gewichten . Die Gewichte, sowohl im Klassifikations- als auch im Regressionsfall, könnten z. B. von der Qualität der Modellvorhersage abhängen, d. h. „gute“ Modelle gehen mit einem größeren Gewicht ein als „schlechte“ Modelle. Das Bagging führt im Fall von instabilen Modellen, d. h. Modellen, in denen sich die Struktur stark in Abhängigkeit von den Stichprobendaten ändert (siehe z. B. Classification and Regression Trees), meist zu deutlich verbesserten Vorhersagen.eist zu deutlich verbesserten Vorhersagen.
, 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。
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Ensemble_Bagging.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://cran.r-project.org/package=adabag +
|
| http://dbpedia.org/ontology/wikiPageID
|
1307911
|
| http://dbpedia.org/ontology/wikiPageLength
|
23909
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1108900816
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Random_subspace_method +
, http://dbpedia.org/resource/Missing_data +
, http://dbpedia.org/resource/Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Machine_learning_algorithms +
, http://dbpedia.org/resource/Parallel_Computing +
, http://dbpedia.org/resource/Resampled_efficient_frontier +
, http://dbpedia.org/resource/Ozone +
, http://dbpedia.org/resource/Local_regression +
, http://dbpedia.org/resource/Training_set +
, http://dbpedia.org/resource/Bootstrapping +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
, http://dbpedia.org/resource/Regression_analysis +
, http://dbpedia.org/resource/File:Decision_Tree_Depth_2.png +
, http://dbpedia.org/resource/File:Random_Forest_Diagram_Extra_Wide.png +
, http://dbpedia.org/resource/Binning_method +
, http://dbpedia.org/resource/Neural_network +
, http://dbpedia.org/resource/File:Ensemble_Bagging.svg +
, http://dbpedia.org/resource/File:Complete_Example_2.png +
, http://dbpedia.org/resource/File:Bootstrap_Example_2.png +
, http://dbpedia.org/resource/File:Ozone.png +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/File:Bagging_for_Classification_with_descripitons.png +
, http://dbpedia.org/resource/Sampling_%28statistics%29 +
, http://dbpedia.org/resource/Bootstrap_%28statistics%29 +
, http://dbpedia.org/resource/Out-of-bag_error +
, http://dbpedia.org/resource/Classification_and_regression_tree +
, http://dbpedia.org/resource/R_%28programming_language%29 +
, http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Ensemble_learning +
, http://dbpedia.org/resource/Statistical_classification +
, http://dbpedia.org/resource/Linear_regression +
, http://dbpedia.org/resource/Variance +
, http://dbpedia.org/resource/Stability_%28learning_theory%29 +
, http://dbpedia.org/resource/E_%28mathematical_constant%29 +
, http://dbpedia.org/resource/Machine_Learning_%28journal%29 +
, http://dbpedia.org/resource/Prime_%28symbol%29 +
, http://dbpedia.org/resource/Boosting_%28meta-algorithm%29 +
, http://dbpedia.org/resource/Category:Ensemble_learning +
, http://dbpedia.org/resource/Decision_tree +
, http://dbpedia.org/resource/Decision_tree_learning +
, http://dbpedia.org/resource/Meta-algorithm +
, http://dbpedia.org/resource/Confusion_matrix +
, http://dbpedia.org/resource/Overfitting +
, http://dbpedia.org/resource/Random_forest +
, http://dbpedia.org/resource/E-commerce +
, http://dbpedia.org/resource/Probability_distribution +
, http://dbpedia.org/resource/Information_gain_in_decision_trees +
, http://dbpedia.org/resource/Predictive_analytics +
, http://dbpedia.org/resource/Leo_Breiman +
, http://dbpedia.org/resource/Bias_%28statistics%29 +
, http://dbpedia.org/resource/Bootstrapping_%28statistics%29 +
, http://dbpedia.org/resource/Peter_Rousseeuw +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Cite_book +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Clarify +
, http://dbpedia.org/resource/Template:Cite_journal +
, http://dbpedia.org/resource/Template:Short_description +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Computational_statistics +
, http://dbpedia.org/resource/Category:Machine_learning_algorithms +
, http://dbpedia.org/resource/Category:Ensemble_learning +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Machine +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Bootstrap_aggregating?oldid=1108900816&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/Decision_Tree_Depth_2.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Ozone.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Complete_Example_2.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Bagging_for_Classification_with_descripitons.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Bootstrap_Example_2.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Ensemble_Bagging.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Random_Forest_Diagram_Extra_Wide.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Bootstrap_aggregating +
|
| owl:sameAs |
http://es.dbpedia.org/resource/Agregaci%C3%B3n_de_bootstrap +
, http://id.dbpedia.org/resource/Bootstrap_aggregating +
, http://uk.dbpedia.org/resource/%D0%91%D1%83%D1%82%D1%81%D1%82%D1%80%D0%B5%D0%BF%D0%BE%D0%B2%D0%B0_%D0%B0%D0%B3%D1%80%D0%B5%D0%B3%D0%B0%D1%86%D1%96%D1%8F +
, http://it.dbpedia.org/resource/Bagging +
, http://de.dbpedia.org/resource/Bootstrap_aggregating +
, http://ru.dbpedia.org/resource/%D0%91%D1%8D%D0%B3%D0%B3%D0%B8%D0%BD%D0%B3 +
, http://ja.dbpedia.org/resource/%E3%83%90%E3%82%AE%E3%83%B3%E3%82%B0 +
, http://zh.dbpedia.org/resource/Bagging%E7%AE%97%E6%B3%95 +
, http://fr.dbpedia.org/resource/Bootstrap_aggregating +
, https://global.dbpedia.org/id/4x5jm +
, http://www.wikidata.org/entity/Q799897 +
, http://dbpedia.org/resource/Bootstrap_aggregating +
, http://ko.dbpedia.org/resource/%EB%B0%B0%EA%B9%85 +
, http://rdf.freebase.com/ns/m.04rq3z +
, http://ca.dbpedia.org/resource/Agregaci%C3%B3_de_bootstrap +
|
| rdf:type |
http://dbpedia.org/ontology/Software +
|
| rdfs:comment |
La agregación de bootstrap, también conoci … La agregación de bootstrap, también conocida como empaquetado, es un metaalgoritmo de aprendizaje automático diseñado para mejorar la estabilidad y precisión de algoritmosde aprendizaje automático usados en clasificación estadística yregresión. Además reduce la varianza y ayuda a evitar elsobreajuste. Aunque es usualmente aplicado a métodos deárboles de decisión, puede ser usado con cualquiertipo de método. El empaquetado es un caso especial del promediado de modelos.n caso especial del promediado de modelos.
, Бутстреп агрегація (англ. Bootstrap aggreg … Бутстреп агрегація (англ. Bootstrap aggregating) — це машинний навчальний груповий мета-алгоритм, створений для покращення стабільності і точності машинних навчальних алгоритмів, які використовують статистичні класифікації і регресії. Він також зменшує неточність, хоча зазвичай застосовується до методів «дерева рішень», але може використовуватися з будь-яким типом методів. Метод схожий на однак, замість використання декількох моделей на одних і тих самих данних, кожна модель застосовується до різних вибірок отриманих методом бутстреп.різних вибірок отриманих методом бутстреп.
, Nell'apprendimento automatico, il bagging … Nell'apprendimento automatico, il bagging (contrazione di bootstrap aggregating) è una tecnica dell'apprendimento d'insieme in cui più modelli dello stesso tipo vengono addestrati su insiemi di dati diversi, ciascuno ottenuto da un insieme di dati iniziale tramite campionamento casuale con rimpiazzo (bootstrap). Il nome bagging deriva quindi dall'applicazione della tecnica del bootstrap con l'aggregazione di più modelli (aggregating).aggregazione di più modelli (aggregating).
, 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。
, Bootstrap aggregating (Bagging) ist eine E … Bootstrap aggregating (Bagging) ist eine Ensemble learning Methode, um Vorhersagen aus verschiedenen Regressions- oder Klassifikationsmodellen (mit hoher Varianz in der Vorhersage) zu kombinieren und dadurch die Varianz zu verringern.Die Methode wurde ursprünglich von Leo Breiman entwickelt. Die Ergebnisse der Modelle werden dann im einfachsten Fall gemittelt, d. h. das Ergebnis jeder Modellvorhersage geht mit gleichem Gewicht in die Vorhersage ein. oder allgemein mit Gewichten .ersage ein. oder allgemein mit Gewichten .
, Bootstrap aggregating, also called bagging … Bootstrap aggregating, also called bagging (from bootstrap aggregating), is a machine learning ensemble meta-algorithm designed to improve the stability and accuracy of machine learning algorithms used in statistical classification and regression. It also reduces variance and helps to avoid overfitting. Although it is usually applied to decision tree methods, it can be used with any type of method. Bagging is a special case of the model averaging approach.cial case of the model averaging approach.
, Le bootstrap aggregating, également appelé … Le bootstrap aggregating, également appelé bagging (de bootstrap aggregating), est un meta-algorithme d'apprentissage ensembliste conçu pour améliorer la stabilité et la précision des algorithmes d'apprentissage automatique. Il réduit la variance et permet d'éviter le surapprentissage. Bien qu'il soit généralement appliqué aux méthodes d'arbres de décision, il peut être utilisé avec n'importe quel type de méthode. Le bootstrap aggregating est un cas particulier de l'approche d'apprentissage ensembliste.de l'approche d'apprentissage ensembliste.
, Бутстрэп-агрегирование или бэггинг, это ме … Бутстрэп-агрегирование или бэггинг, это метаалгоритм композиционного обучения машин, предназначенный для улучшения стабильности и точности алгоритмов машинного обучения, используемых в статистической классификации и регрессии. Алгоритм также уменьшает дисперсию и помогает избежать переобучения. Хотя он обычно применяется к методам обучения машин на основе деревьев решений, его можно использовать с любым видом метода. Бэггинг является частным видом усреднения модели. является частным видом усреднения модели.
, Bootstrap aggregating, disebut juga baggin … Bootstrap aggregating, disebut juga bagging, adalah penggabungan algoritma pembelajaran mesin (machine learning) yang dirancang untuk meningkatkan stabilitas dan akurasi dari algoritma machine learning yang digunakan dalam klasifikasi statistik dan regresi. Bagging juga mengurangi varians dan membantu untuk menghindari terjadinya overfitting. Meskipun biasanya diterapkan untuk metode decision tree, bagging dapat digunakan dengan semua jenis metode. Bagging merupakan kasus khusus dari pendekatan model averaging.us khusus dari pendekatan model averaging.
, 배깅(영어: bagging)은 bootstrap aggregating의 줄임말로 통계적 분류와 회귀 분석에서 사용되는 기계 학습 알고리즘의 안정성과 정확도를 향상시키기 위해 고안된 일종의 앙상블 학습법의 메타 알고리즘이다. 또한 배깅은 분산을 줄이고 과적합(overfitting)을 피하도록 해준다. 결정 트리 학습법이나 랜덤 포레스트에만 적용되는 것이 일반적이기는 하나, 그 외의 다른 방법들과 함께 사용할 수 있다.
, ブートストラップ・アグリゲーティング（英: bootstrap aggregating）またはバギング（英: bagging）は、統計的分類および回帰で使われる機械学習アルゴリズムの安定性と精度を改善するために設計されたアンサンブル学習メタアルゴリズムである。バギングはバリアンス（分散）を縮小させ、過剰適合を避けることも助ける。通常は決定木に適用されるものの、どんな手法にも使うことができる。バギングはモデル平均化手法の一種である。
|
| rdfs:label |
Bootstrap aggregating
, Бэггинг
, Agregació de bootstrap
, Bagging
, バギング
, Agregación de bootstrap
, 배깅
, Bagging算法
, Бутстрепова агрегація
|
