Bagging
Nell'apprendimento automatico, il bagging (contrazione di bootstrap aggregating) è una tecnica dell'apprendimento d'insieme in cui più modelli dello stesso tipo vengono addestrati su insiemi di dati diversi, ciascuno ottenuto da un insieme di dati iniziale tramite campionamento casuale con rimpiazzo (bootstrap).[1] Il nome bagging deriva quindi dall'applicazione della tecnica del bootstrap con l'aggregazione di più modelli (aggregating).[2][3]
La foresta casuale è un modello che estende l'idea base del bagging introducendo anche la diversificazione dei modelli componenti (alberi di decisione) prevedendo per ognuno un diverso campionamento delle feature di input.
Note
[modifica | modifica wikitesto]- ↑ Andrea De Mauro, Big data analytics : guida per iniziare a classificare e interpretare dati con il machine learning, Apogeo, 2019, ISBN 9788850334780, OCLC 1065010076.
- ↑ (EN) Kevin P. Murphy, 18. Trees, Forests, Bagging, and Boosting, in Probabilistic machine learning: an introduction, collana Adaptive computation and machine learning, Third printing, The MIT Press, 2025, ISBN 978-0-262-04682-4.
- ↑ (EN) Ethem Alpaydın, 18. Combining Multiple Learners, in Introduction to machine learning, collana Adaptive computation and machine learning, Fourth edition, The MIT Press, 2020, ISBN 978-0-262-04379-3.
