Niyə bagging ağaclarla işləyir, təsadüfi meşədə olduğu kimi?

Bagging (Bootstrap Aggregating) qərar ağacları ilə yaxşı işləyir, çünki:

1. Yüksək model dəyişkənliyi: Fərdi qərar ağacları çox vaxt aşırı uyğunlaşmağa meyllidir və yüksək dispersiyaya malikdir. Bagging bu dispersiyanı azaldır və müxtəlif məlumat alt nümunələrində öyrədilmiş çoxsaylı ağacların proqnozlarını orta hesabla çıxır.

2. Modellərin müstəqilliyi: Hər bir ağac, geri dönüşlü (bootstrap) təsadüfi nümunə üzərində öyrədildiyi üçün, modellər kifayət qədər fərqli olur və bu, orta təsirini yaxşılaşdırır.

3. Güclü əsas modellərə ehtiyac yoxdur: Bagging, kiçik dəyişikliklərin modelin strukturuna böyük təsir etdiyi qeyri-sabit modellərlə (ağaclar kimi) daha yaxşı işləyir.

4. Sadəlik və səmərəlilik: Ağaclar asanlıqla öyrədilir və birləşdirilir, bu da bagging-i praktik və səmərəli edir.

Təsadüfi meşədə, həmçinin, düyümlərin bölünməsində təsadüfi xüsusiyyət seçimi tətbiq olunur, bu da ağacların müxtəlifliyini daha da artırır və modelin ümumiləşdirmə qabiliyyətini yaxşılaşdırır.