Bootstrap aggregating: Perbedaan antara revisi

Diberikan sebuah standar ''training set'' <math /> yang berukuran ''n'', bagging menghasilkan ''m'' training set baru <math />, masing-masing berukuran ''n'<nowiki/>'', dengan [[Teknik sampling|sampling]] dari ''D'' secara [[Sebaran probabilitas|u]]<nowiki/>niform dan [[Teknik sampling|dengan penggantian]] (with replacement). Karena sampling dengan penggantian, maka beberapa observasi dapat diulang dalam setiap <math />. Jika ''n'''=''n'', maka besar ''n'' set <math /> diharapkan memiliki fraksi (1 - 1/''[[E (konstanta matematika)|e]]'') (≈63.2\%) dari contoh unik dari ''D'', sisanya menjadi duplikat.<ref>Aslam, Javed A.; Popa, Raluca A.; and Rivest, Ronald L. (2007); [http://people.csail.mit.edu/rivest/pubs/APR07.pdf ''On Estimating the Size and Confidence of a Statistical Audit''], Proceedings of the Electronic Voting Technology Workshop (EVT '07), Boston, MA, August 6, 2007. More generally, when drawing with replacement ''n′'' values out of a set of ''n'' (different and equally likely), the expected number of unique draws is <math>n(1 - e^{-n'/n})</math>.</ref> Jenis contoh/sampel ini dikenal sebagai bootstrap sampel. Model ''m'' dipasang menggunakan sampel bootstrap ''m'' di atas dan dikombinasikan dengan rata-rata output (untuk regresi) atau voting (untuk klasifikasi).