Bootstrap aggregating: Perbedaan antara revisi
k Mimihitam memindahkan halaman Bagging Ensemble Methods ke Bootstrap aggregating |
Tidak ada ringkasan suntingan |
||
Baris 1: | Baris 1: | ||
{{rapikan}} |
|||
'''BAGGING DALAM ENSEMBLE METHODS''' |
|||
⚫ | |||
Bagging dalam ''Ensemble Methods'' bisa juga di sebut ''Bootstrap aggregating'' |
|||
⚫ | 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, dengan meningkatkan ukuran set pelatihan. Bagging hanya dapat mengurangi varians dan tidak dapat meningkatkan kekuatan prediksi model . |
||
⚫ | |||
lalu menghasilkan data tambahan untuk pelatihan dari dataset asli anda. |
|||
⚫ | |||
anda hanya dapat mengurangi varians dan tidak dapat meningkatkan kekuatan prediksi model . |
|||
== Perbedaan dengan boosting == |
|||
⚫ | |||
'''PERBEDAAN BAGGING (BOOTSTRAP AGGREGATING) DAN BOOSTING''' |
|||
⚫ | |||
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 |
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 == |
|||
⚫ | |||
== 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 |
|||
'''SEJARAH BAGGING''' |
|||
| last = Alfaro |
|||
| first = E., Gámez, M. and García, N. |
|||
Bagging atau ''Agregasi Bootstrap'' ditemukan oleh Leo Breiman pada tahun 1994 |
|||
| title = adabag: An R package for classification with AdaBoost.M1, AdaBoost-SAMME and Bagging |
|||
⚫ | |||
| year = 2012 |
|||
| url = https://cran.r-project.org/package=adabag |
|||
}} |
|||
'''REFERENSI''' |
|||
[[Kategori:Ensemble learning]] |
|||
https://en.wikipedia.org/wiki/Bootstrap_aggregating |
|||
https://id.wikipedia.org/wiki/Metode_Ensemble |
Revisi per 11 Mei 2018 09.59
artikel ini perlu dirapikan agar memenuhi standar Wikipedia. |
Bootstrap aggregating atau yang sering disingkat bagging merupakan salah satu cara untuk mengurangi varians dari prediksi yang dimiliki,
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, dengan meningkatkan ukuran set pelatihan. Bagging hanya dapat mengurangi varians dan tidak dapat meningkatkan kekuatan prediksi model .
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 pelatihan yang dihasilkan secara acak .
Referensi
- Breiman, Leo (1996). "Bagging predictors". Machine Learning. 24 (2): 123–140. CiteSeerX 10.1.1.32.9399 . doi:10.1007/BF00058655.
- Alfaro, E., Gámez, M. and García, N. (2012). "adabag: An R package for classification with AdaBoost.M1, AdaBoost-SAMME and Bagging".