Obsah:
Definice - Co znamená Bagging?
„Bagging“ nebo agregace bootstrapů je specifický typ procesu strojového učení, který využívá vývojové modely k vývoji modelů strojového učení. Tato technika byla vyvinuta v 90. letech 20. století a používá specifické skupiny tréninkových sad, kde mohou být některá pozorování opakována mezi různými tréninkovými sadami.
Techopedia vysvětluje Bagging
Myšlenka pytlování byla široce používána ve strojovém učení, aby se lépe přizpůsobily modelům. Myšlenka je taková, že pokud vezmete několik nezávislých jednotek strojového učení, mohou fungovat společně lépe než jedna jednotka, která by měla více zdrojů.
Chcete-li skutečně ilustrovat, jak to funguje, přemýšlejte o každé části procesu pytlování jako o samostatném mozku. Bez pytlování by se strojové učení skládalo z jednoho skutečně inteligentního mozku, který by pracoval na problému. S pytlováním tento proces sestává z mnoha „slabých mozků“ nebo méně silných mozků spolupracujících na projektu. Každý z nich má svou doménu myšlení a některé z těchto domén se překrývají. Když dáte konečný výsledek dohromady, je to mnohem vyvinutější, než by tomu bylo u jediného „mozku“.
Ve velmi reálném smyslu může být filozofie pytlování popsána velmi starým axiomem, který předchází technologii o několik let: „dvě hlavy jsou lepší než jedna.“ Při pytlování je 10 nebo 20 nebo 50 kusů lepších než jedna, protože výsledky jsou brány jako celek a agregovány do lepších výsledků. Bagging je technika, která může technikům pomoci bojovat s fenoménem „overfitting“ ve strojovém učení, kdy systém neodpovídá datům nebo účelu.
