Innehållsförteckning:
Definition - Vad betyder Bagging?
"Bagging" eller bootstrap-aggregering är en specifik typ av maskininlärningsprocess som använder ensemblärning för att utveckla modeller för maskininlärning. Pionjär på 1990-talet använder denna teknik specifika grupper av träningsuppsättningar där vissa observationer kan upprepas mellan olika träningsuppsättningar.
Techopedia förklarar Bagging
Idén om påsar har använts i stor utsträckning i maskininlärning för att skapa bättre passform för modeller. Tanken är att om du tar flera oberoende maskininlärningsenheter kan de fungera kollektivt bättre än en enhet som skulle ha mer resurser.
För att verkligen illustrera hur detta fungerar, tänk på varje del av säckprocessen som en individuell hjärna. Utan säckväv skulle maskininlärning bestå av en riktigt smart hjärna som arbetar med ett problem. Med påsar består processen av många "svaga hjärnor" eller mindre starka hjärnor som samarbetar om ett projekt. De har var och en sitt tänkande och några av dessa domäner överlappar varandra. När du sätter ihop det slutliga resultatet är det mycket mer utvecklat än med bara en "hjärna".
I väldigt verklig mening kan filosofin om påsar beskrivas med en mycket gammal axiom som föregår teknik under en hel del år: "två huvuden är bättre än ett." Vid säckning är 10 eller 20 eller 50 huvuden bättre än ett, eftersom resultaten tas helt och samlas till ett bättre resultat. Bagging är en teknik som kan hjälpa ingenjörer att kämpa mot fenomenet "övermontering" i maskininlärning där systemet inte passar uppgifterna eller syftet.
