Isi kandungan:
Takrif - Apakah maksud Bagging?
"Bagging" atau agregasi bootstrap adalah jenis proses pembelajaran mesin yang khusus yang menggunakan pembelajaran ensemble untuk mengembangkan model pembelajaran mesin. Dipraktikkan pada tahun 1990-an, teknik ini menggunakan kumpulan latihan tertentu yang mana beberapa pemerhatian boleh diulang antara set latihan yang berlainan.
Techopedia menerangkan Bagging
Idea pembungkusan telah digunakan secara meluas dalam pembelajaran mesin untuk membuat pemasangan yang lebih baik untuk model. Idea ini ialah jika anda mengambil beberapa unit pembelajaran mesin bebas, mereka boleh berfungsi secara kolektif dengan lebih baik daripada satu unit yang akan mempunyai lebih banyak sumber.
Untuk benar-benar menggambarkan bagaimana ini berfungsi, fikirkan setiap bahagian proses pengambilan sebagai otak individu. Tanpa pembalakan, pembelajaran mesin akan terdiri daripada satu otak yang benar-benar pintar yang bekerja pada masalah. Dengan pengambilan, proses ini terdiri daripada banyak "otak lemah" atau otak kurang kuat yang bekerjasama dalam projek. Mereka masing-masing mempunyai domain pemikiran mereka, dan beberapa domain tersebut bertindih. Apabila anda meletakkan hasil akhir bersama-sama, ia lebih banyak berkembang daripada hanya dengan satu "otak".
Dalam erti kata yang sangat nyata, falsafah pembungkusan dapat digambarkan oleh aksioma yang sangat tua yang mendahului teknologi dengan beberapa tahun: "dua kepala lebih baik daripada satu." Dalam beg, 10 atau 20 atau 50 kepala lebih baik daripada satu, kerana hasilnya diambil sama sekali dan diagregatkan menjadi hasil yang lebih baik. Bagging adalah satu teknik yang boleh membantu para jurutera untuk memerangi fenomena "overfitting" dalam pembelajaran mesin di mana sistem itu tidak sesuai dengan data atau tujuannya.
