Bagging算法
這是此頁批准，以及是最近的修訂。
Bagging 算法（英語：Bootstrapaggregating，引導聚集算法）， 閣稱袋仔算法，是機器學習領域的一種集做學習算法。上原初由 Leo Breiman 佇一九九四年提出。Bagging 算法可能有分別、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。
算法步數
予定一个大小為 $ n $ 的訓練集 $ D $，Bagging 算法對中齊勻、放倒轉來（就算用自助抽樣法）選出 $ m $ 大細為 $ n'$ 的子集 $ D _ { i } $，做新的訓練集。佇遮 $ m $ 一个訓練集上使用分類、回歸等算法，會當著 $ m $ 模型，佇透過取平均值、提多數票等方法，也會用得著 Bagging 的結果。
參考文獻
- Breiman , Leo . Bagging predictors ( PDF ) . Technical Report No . 四仔二一 . 一千九百九十四 [二千空二十一孵十一] .（原始內容存檔 ( PDF ) 佇二千空一十九九九九十八）.
- Breiman , Leo . Bagging predictors . Machine Learning . 九百九十六 ,二十四( 二 ) : 一百二三–一百四十 . doi : 十五一空空七 / BF 五鋪八千六百五十五 . CiteSeerX : 十曉一 . 一孵三二 . 九千三百九十九 .
- Alfaro , E . , Gámez , M . and García , N . adabag : An R package for classification with AdaBoost . M 一 , AdaBoost-SAMME and Bagging . 二千空一十二 [二千空一十六孵十二] .（原始內容存檔佇兩千空一十九九分九二十四）.