Inhaltsverzeichnis:
Definition - Was bedeutet Absacken?
"Bagging" oder Bootstrap-Aggregation ist eine bestimmte Art von maschinellem Lernprozess, bei dem Ensemble-Lernen verwendet wird, um maschinelle Lernmodelle zu entwickeln. Diese Technik wurde in den 1990er Jahren entwickelt und verwendet bestimmte Gruppen von Trainingssätzen, bei denen einige Beobachtungen zwischen verschiedenen Trainingssätzen wiederholt werden können.
Techopedia erklärt das Absacken
Die Idee des Absackens wurde beim maschinellen Lernen ausgiebig verwendet, um eine bessere Anpassung für Modelle zu erreichen. Die Idee ist, dass wenn Sie mehrere unabhängige maschinelle Lerneinheiten verwenden, diese zusammen besser funktionieren können als eine Einheit, die über mehr Ressourcen verfügt.
Um wirklich zu veranschaulichen, wie dies funktioniert, stellen Sie sich jeden Teil des Absackprozesses als ein individuelles Gehirn vor. Ohne Bagging würde maschinelles Lernen aus einem wirklich intelligenten Gehirn bestehen, das an einem Problem arbeitet. Beim Absacken besteht der Prozess aus vielen "schwachen Gehirnen" oder weniger starken Gehirnen, die an einem Projekt zusammenarbeiten. Sie alle haben ihre Denkbereiche, und einige dieser Bereiche überschneiden sich. Wenn Sie das Endergebnis zusammenfassen, ist es viel weiter entwickelt als mit nur einem "Gehirn".
In einem sehr realen Sinne kann die Philosophie des Absackens durch ein sehr altes Axiom beschrieben werden, das der Technologie um einige Jahre voraus ist: "Zwei Köpfe sind besser als einer." Beim Absacken sind 10 oder 20 oder 50 Köpfe besser als einer, weil die Ergebnisse zusammengenommen und zu einem besseren Ergebnis zusammengefasst werden. Bagging ist eine Technik, die Ingenieuren dabei helfen kann, das Phänomen der "Überanpassung" beim maschinellen Lernen zu bekämpfen, wenn das System nicht den Daten oder dem Zweck entspricht.
