Bootstrap aggregating

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.^[1] Bootstrap aggregating wird beispielsweise bei Random Forests eingesetzt.

1. ↑ Leo Breiman: Bagging predictors. In: Machine Learning. 24. Jahrgang, Nr. 2, 1996, S. 123–140, doi:10.1007/BF00058655 (psu.edu [PDF]).  Vorlage:Cite journal: Der Parameter language wurde bei wahrscheinlich fremdsprachiger Quelle nicht angegeben.