Bootstrap aggregating: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
k Mimihitam memindahkan halaman Bagging Ensemble Methods ke Bootstrap aggregating |
Tidak ada ringkasan suntingan |
||
Baris 1:
{{rapikan}}
lalu menghasilkan data tambahan untuk pelatihan dari dataset asli. ''Bagging'' menggunakan metode kombinasi dengan perulangan untuk menghasilkan multiset dari kardinalitas atau ukuran yang sama dengan data asli
▲Bagging merupakan salah satu cara untuk mengurangi varians dari prediksi yang anda punya .
▲menggunakan metode kombinasi dengan perulangan untuk menghasilkan multiset dari kardinalitas atau ukuran yang sama dengan data asli anda, dengan meningkatkan ukuran set pelatihan anda .
== Perbedaan dengan boosting ==
▲ Salah satu perbedaan utama adalah cara bagaimana menggunakan sampel setiap set pelatihan. Mengantongi memungkinkan penggantian dalam sampel bootstrapped tetapi Boosting tidak.
Dalam teori Bagging baik untuk mengurangi varians (Over-fitting) dimana Boosting membantu mengurangi Bias dan Variance sesuai dengan Boosting Vs Bagging ini, tetapi dalam prakteknya Boosting (Adaptive Boosting) tahu memiliki varian yang tinggi karena over-fitting
== Sejarah ==
Bagging atau ''Agregasi Bootstrap'' ditemukan oleh [[Leo Breim pada tahun 1994 dengan tujuan untuk meningkatkan klasifikasi dengan menggabungkan klasifikasi dari set
== Referensi ==
* {{Cite journal
| last = Breiman
| first = Leo
| authorlink = Leo Breiman
| title = Bagging predictors
| journal = [[Machine Learning (journal)|Machine Learning]]
| volume = 24
| issue = 2
| pages = 123–140
| year = 1996
| citeseerx = 10.1.1.32.9399
| doi = 10.1007/BF00058655
}}
* {{Cite journal
| last = Alfaro
| first = E., Gámez, M. and García, N.
| title = adabag: An R package for classification with AdaBoost.M1, AdaBoost-SAMME and Bagging
▲dengan tujuan untuk meningkatkan klasifikasi dengan menggabungkan klasifikasi dari set paltihan yang dihasilkan secara acak .
| year = 2012
| url = https://cran.r-project.org/package=adabag
}}
[[Kategori:Ensemble learning]]
|