Bagging Predictors — Breiman (1996)
PDF: https://studium.alexium-core.de/01_arbeiten/01_zulassungsarbeit/B_literatur/pdfs/Bre96a.pdf
Bibliographische Angaben
Machine Learning 24(2):123-140. Springer (ehem. Kluwer).
Beschaffung
- Quelle: SpringerLink über HS-Shibboleth
- PDF im Vault:
01_arbeiten/01_zulassungsarbeit/B_literatur/pdfs/Bre96a.pdf - Status: ☐ gelesen ☐ markierte Stellen ☐ in literatur.bib
Methodik / Charakter der Quelle
Originalarbeit zu Bootstrap Aggregation (Bagging). Führt das Prinzip ein: mehrere Vorhersagemodelle auf Bootstrap-Stichproben trainieren, Antworten aggregieren (Mehrheitsvotum bei Klassifikation, Mittelwert bei Regression). Zeigt empirisch, dass Bagging vor allem bei instabilen Vorhersagemethoden (Entscheidungsbäume) starke Genauigkeitsgewinne bringt. Vorstufe zu Random Forests (Bre01).
Kernaussagen
(wird beim Lesen ergänzt)
- Bagging = Bootstrap-Stichproben + Aggregation
- Wirksamkeit hängt von Instabilität des Basismodells ab
Wörtliche Zitate (Reserve)
Bezug zur Zulassungsarbeit
Anwendungs-/Ensemble-Kapitel, direkte Vorstufe zu Random Forest. Wichtig für die Argumentation “Instabilität als Motivation für Ensembles”.
Verwandte Quellen
Bre01 (Random Forest baut auf Bagging auf), PNRB15 (Anwendung mit Random Forest)