目次:
定義-バギングとはどういう意味ですか？
「バギング」またはブートストラップ集約は、アンサンブル学習を使用して機械学習モデルを進化させる特定の種類の機械学習プロセスです。 1990年代に開拓されたこの技術は、トレーニングセットの特定のグループを使用し、異なるトレーニングセット間でいくつかの観察が繰り返される場合があります。
Techopediaはバギングについて説明します
バギングの概念は、モデルにより適したものを作成するために機械学習で広く使用されています。 アイデアは、複数の独立した機械学習ユニットを使用する場合、より多くのリソースを持つ1つのユニットよりも集合的に機能しやすいということです。
これがどのように機能するかを実際に説明するには、袋詰めプロセスの各部分を個々の脳と考えてください。 バギングがなければ、機械学習は問題に取り組む非常に賢い脳で構成されます。 バギングを使用すると、プロセスは、プロジェクトで協力し合う多くの「弱い脳」またはより弱い脳で構成されます。 それぞれに思考の領域があり、それらの領域の一部は重複しています。 最終結果をまとめると、たった1つの「頭脳」の場合よりもはるかに進化します。
非常に現実的な意味で、バギングの哲学は、かなり前からテクノロジーに先行する非常に古い公理によって説明することができます。 バギングでは、結果がすべて取得され、より良い結果に集約されるため、10または20または50のヘッドが1よりも優れています。 バギングは、システムがデータや目的に適合しない機械学習の「過適合」現象とエンジニアが戦うのに役立つテクニックです。
