რა არის ბაგინგი?

Bagging (Bootstrap Aggregating) არის ანსამბლის მეთოდი მანქანათსწავლის სფეროში, რომელიც ზრდის მოდელების სტაბილურობას და სიზუსტეს. ძირითადი იდეა არის სხვადასხვა შემთხვევით ქვეგანშლილებზე (bootstrap) რამდენიმე მოდელის სწავლება და შემდეგ მათი პროგნოზების საშუალო გამოთვლა (რეგრესიისთვის) ან ყველაზე ხშირად განმეორებადი კლასის არჩევა (კლასიფიკაციისთვის).

Bagging-ის უპირატესობები:

• ამცირებს overfitting-ს, ამცირებს მოდელის განაწილებას.
• აუმჯობესებს მონაცემებში ხმაურის მიმართ მდგრადობას.

მაგალითი: შემთხვევითი ტყე — ეს არის bagging-ის გამოყენებით აშენებული გადაწყვეტილების ხეების ანსამბლი.

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

# ძირითადი მოდელი
base_clf = DecisionTreeClassifier()

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