Ի՞նչ է բագինգը։

Bagging (Bootstrap Aggregating) — մեքենայական ուսուցման մեջ մի հավաքական մեթոդ է, որը բարձրացնում է մոդելների կայունությունը և ճշգրտությունը։ Հիմնական գաղափարը՝ տարբեր պատահական ենթակտորակների վրա (bootstrap) մի քանի մոդել սովորեցնել և ապա նրանց կանխատեսումները միջինացնել (ռեգրեսիայի համար) կամ ընտրել ամենաշատ հանդիպող դասը (կատեգորիզացիայի համար):

Bagging-ի առավելությունները՝

• Կրճատում է overfitting-ը՝ նվազեցնելով մոդելի տարբերությունը։
• Բարելավում է տվյալների աղմուկի հանդուրժողականությունը։

Օրինակ՝ պատահական անտառը՝ դա bagging-ով կառուցված որոշման ծառերի հավաքական է։

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

# Հիմնական մոդել
base_clf = DecisionTreeClassifier()

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