Co je to bagging?

Bagging (Bootstrap Aggregating) je metoda ansámblu ve strojovém učení, která zvyšuje stabilitu a přesnost modelů. Hlavní myšlenkou je trénovat několik modelů na různých náhodných podmnožinách původních dat s vracením (bootstrap), a poté jejich předpovědi průměrovat (pro regresi) nebo vybrat nejčastější třídu (pro klasifikaci).

Výhody bagging:

• Snižuje přeučení (overfitting) tím, že snižuje rozptyl modelu.
• Zlepšuje odolnost vůči šumu v datech.

Příklad: náhodný les je ansámbl rozhodovacích stromů postavených pomocí bagging.

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

# Základní model
base_clf = DecisionTreeClassifier()

# Bagging s 10 modely
bagging_clf = BaggingClassifier(base_estimator=base_clf, n_estimators=10, random_state=42)
bagging_clf.fit(X_train, y_train)