Innholdsfortegnelse:
Definisjon - Hva betyr bagging?
"Bagging" eller bootstrap-aggregering er en spesifikk type maskinlæringsprosess som bruker ensemble-læring for å utvikle maskinlæringsmodeller. Denne teknikken ble pioner på 1990-tallet, og bruker spesifikke grupper av treningssett der noen observasjoner kan gjentas mellom forskjellige treningssett.
Techopedia forklarer Bagging
Ideen om bagging har blitt brukt mye i maskinlæring for å skape bedre montering for modeller. Tanken er at hvis du tar flere uavhengige maskinlæringsenheter, kan de fungere samlet bedre enn en enhet som vil ha mer ressurser.
For virkelig å illustrere hvordan dette fungerer, kan du tenke på hver del av poseprosessen som en individuell hjerne. Uten bagging ville maskinlæring bestå av en virkelig smart hjerne som jobber med et problem. Med bagging består prosessen av mange "svake hjerner" eller mindre sterke hjerner som samarbeider om et prosjekt. De har hvert sitt tankeområde, og noen av disse domenene overlapper hverandre. Når du setter det endelige resultatet sammen, er det mye mer utviklet enn det ville være med bare en "hjerne."
I en veldig reell forstand kan filosofien om bagging beskrives ved et veldig gammelt aksiom som foregår teknologi i ganske mange år: "to hoder er bedre enn ett." I bagging er 10 eller 20 eller 50 hoder bedre enn ett, fordi resultatene blir tatt helt og samlet til et bedre resultat. Bagging er en teknikk som kan hjelpe ingeniører til å bekjempe fenomenet "overfitting" i maskinlæring der systemet ikke passer til dataene eller formålet.
