Bagging算法

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Leo Breiman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。

算法步驟

給定一個大小為${\displaystyle n}$的訓練集${\displaystyle D}$，Bagging算法從中均勻、有放回地（即使用自助抽樣法）選出${\displaystyle m}$個大小為${\displaystyle n'}$的子集${\displaystyle D_{i}}$，作為新的訓練集。在這${\displaystyle m}$個訓練集上使用分類、回歸等算法，則可得到${\displaystyle m}$個模型，再透過取平均值、取多數票等方法，即可得到Bagging的結果。

參考文獻

• Breiman, Leo. Bagging predictors (PDF). Technical Report No. 421. 1994 [2020-01-11]. （原始內容存檔 (PDF)於2019-07-18）.
• Breiman, Leo. Bagging predictors. Machine Learning. 1996, 24 (2): 123–140. doi:10.1007/BF00058655. CiteSeerX: 10.1.1.32.9399.
• Alfaro, E., Gámez, M. and García, N. adabag: An R package for classification with AdaBoost.M1, AdaBoost-SAMME and Bagging. 2012 [2016-10-02]. （原始內容存檔於2019-09-24）.