Daftar Isi:
Definisi - Apa arti Bagging?
"Bagging" atau agregasi bootstrap adalah tipe spesifik dari proses pembelajaran mesin yang menggunakan pembelajaran ensemble untuk mengembangkan model pembelajaran mesin. Dipelopori pada 1990-an, teknik ini menggunakan kelompok-kelompok tertentu dari rangkaian pelatihan di mana beberapa pengamatan dapat diulang antara set pelatihan yang berbeda.
Techopedia menjelaskan Bagging
Gagasan mengantongi telah digunakan secara luas dalam pembelajaran mesin untuk menciptakan kecocokan yang lebih baik untuk model. Idenya adalah bahwa jika Anda mengambil beberapa unit pembelajaran mesin independen, mereka dapat berfungsi secara kolektif lebih baik daripada satu unit yang akan memiliki lebih banyak sumber daya.
Untuk benar-benar menggambarkan cara kerjanya, pikirkan setiap bagian dari proses mengantongi sebagai otak individu. Tanpa mengantongi, pembelajaran mesin akan terdiri dari satu otak yang benar-benar pintar yang mengerjakan suatu masalah. Dengan mengantongi, proses terdiri dari banyak "otak lemah" atau otak kurang kuat yang berkolaborasi dalam suatu proyek. Mereka masing-masing memiliki domain pemikiran, dan beberapa domain tersebut tumpang tindih. Ketika Anda menyatukan hasil akhirnya, itu jauh lebih berkembang daripada hanya dengan satu "otak".
Dalam arti yang sangat nyata, filosofi mengantongi dapat dijelaskan oleh aksioma yang sangat tua yang mendahului teknologi beberapa tahun: "dua kepala lebih baik dari satu." Dalam mengantongi, 10 atau 20 atau 50 kepala lebih baik dari satu, karena hasilnya diambil sekaligus dan dikumpulkan menjadi hasil yang lebih baik. Bagging adalah teknik yang dapat membantu insinyur untuk mengatasi fenomena "overfitting" dalam pembelajaran mesin di mana sistem tidak sesuai dengan data atau tujuannya.
