Čo je bagging?

Bagging (Bootstrap Aggregating) je metóda ansámblu v strojovom učení, ktorá zvyšuje stabilitu a presnosť modelov. Hlavná myšlienka je trénovať viacero modelov na rôznych náhodných podmnožinách pôvodných dát s vrátením (bootstrap), a potom ich predpovede priemerovať (pre regresiu) alebo vybrať najčastejšiu triedu (pre klasifikáciu).

Výhody bagging:

• Znižuje preučenie (overfitting) znížením rozptylu modelu.
• Zlepšuje odolnosť voči šumu v dátach.

Príklad: náhodný les je ansámbl rozhodovacích stromov postavených pomocou bagging.

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

# Základný model
base_clf = DecisionTreeClassifier()

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