Kodėl bagging veikia su medžiais, kaip atsitiktiniame miške?

Bagging (Bootstrap Aggregating) gerai veikia su sprendimų medžiais, nes:

1. Didelė modelių kintamumo: Atskiri sprendimų medžiai linkę per daug prisitaikyti ir turi didelį dispersiją. Bagging sumažina šią dispersiją, vidutiniškai vertindamas daugelio medžių prognozes, kurie mokomi skirtinguose duomenų pogrupiuose.

2. Modelių nepriklausomybė: Kadangi kiekvienas medis mokomas atsitiktiniu pavyzdžiu su grąžinimu (bootstrap), modeliai yra pakankamai skirtingi, tai pagerina vidurkio efektą.

3. Nereikia stiprių pagrindinių modelių: Bagging geriau veikia su nestabiliais modeliais (kaip medžiai), kur mažos duomenų pokyčiai stipriai veikia modelio struktūrą.

4. Paprastumas ir efektyvumas: Medžiai lengvai mokomi ir derinami, todėl bagging yra praktiškas ir efektyvus.

Be to, atsitiktiniame miške papildomai taikomas atsitiktinis požymių pasirinkimas skaidant mazgus, kas dar labiau padidina medžių įvairovę ir gerina modelio bendrąją gebėjimą.