Spisu treści:
Definicja - Co oznacza Bagging?
„Bagging” lub agregacja bootstrap jest specyficznym rodzajem procesu uczenia maszynowego, który wykorzystuje uczenie się zespołowe do ewolucji modeli uczenia maszynowego. Opracowana w latach 90. technika ta wykorzystuje określone grupy zestawów treningowych, w których niektóre obserwacje można powtarzać między różnymi zestawami treningowymi.
Techopedia wyjaśnia Bagging
Pomysł pakowania jest szeroko stosowany w uczeniu maszynowym, aby stworzyć lepsze dopasowanie do modeli. Chodzi o to, że jeśli weźmiesz kilka niezależnych jednostek uczenia maszynowego, mogą one działać wspólnie lepiej niż jedna jednostka, która miałaby więcej zasobów.
Aby naprawdę zilustrować, jak to działa, pomyśl o każdej części procesu workowania jak o pojedynczym mózgu. Bez workowania uczenie maszynowe składałoby się z jednego naprawdę inteligentnego mózgu pracującego nad problemem. W przypadku workowania proces składa się z wielu „słabych mózgów” lub słabszych mózgów współpracujących przy projekcie. Każda z nich ma swoją domenę myślenia, a niektóre z tych domen pokrywają się. Po zsumowaniu wyniku końcowego jest on znacznie bardziej rozwinięty niż w przypadku jednego „mózgu”.
W bardzo realnym sensie filozofię workowania można opisać bardzo starym aksjomatem, który wyprzedza technologię o kilka lat: „dwie głowy są lepsze niż jedna”. W workowaniu 10 lub 20 lub 50 głów jest lepszych niż jedna, ponieważ wyniki są sumowane i łączone w lepszy wynik. Tworzenie worków jest techniką, która może pomóc inżynierom w walce ze zjawiskiem „nadmiernego dopasowania” w uczeniu maszynowym, gdy system nie pasuje do danych ani celu.
