تکنیک بگینگ - ویکی‌پدیا، دانشنامهٔ آزاد

یادگیری ماشین و داده‌کاوی
موضوع‌ها طبقه‌بندی آماری خوشه‌بندی تحلیل رگرسیون روش تشخیص ناهنجاری یادگیری قانون وابستگی یادگیری تقویتی پیش بینی ساختاریافته مهندسی ویژگی یادگیری ویژگی یادگیری ماشین برخط یادگیری نیمه‌نظارتی یادگیری بی‌نظارت Learning to rank Grammar induction
یادگیری با نظارت (طبقه‌بندی آماری • تحلیل رگرسیون) یادگیری درخت تصمیم Ensembles (تکنیک بگینگ, بوستینگ، جنگل تصادفی) k-NN رگرسیون خطی دسته‌بندی کننده بیز ساده شبکه‌های عصبی مصنوعی رگرسیون لجستیک پرسپترون ماشین بردار مرتبط (RVM) ماشین بردار پشتیبانی
خوشه‌بندی کاهش و خوشه‌بندی ترازمند و بازکردی با بهره‌گیری از رده‌بندی خوشه‌بندی سلسله‌مراتبی خوشه‌بندی کی-میانگین الگوریتم امید ریاضی–بیشینه کردن DBSCAN OPTICS انتقال میانگین
کاهش ابعاد تحلیل عاملی CCA تحلیل مؤلفه‌های مستقل آنالیز افتراقی خطی فاکتورگیری نامنفی ماتریس تحلیل مؤلفه‌های اصلی t-SNE
پیش‌بینی ساختاریافته مدل‌های گرافیکی (شبکه‌های بیزی، میدان تصادفی شرطی، مدل پنهان مارکف)
روش تشخیص ناهنجاری الگوریتم کی-نزدیکترین همسایه فاکتور پرتی محلی
شبکه عصبی مصنوعی خودرمزگذار یادگیری عمیق پرسپترون چندلایه RNN ماشین بولتزمن محدود شده ترانسفورمر بینایی SOM شبکه عصبی پیچشی
یادگیری تقویتی کیو-یادگیری SARSA یادگیری تفاوت زمانی
نظریه Bias-variance dilemma نظریه یادگیری محاسباتی Empirical risk minimization Occam learning یادگیری احتمالا تقریبا صحیح Statistical learning VC theory
حوزه‌های یادگیری ماشین NIPS ICML ML JMLR ArXiv:cs.LG
ن ب و

تکنیک بگینگ (به انگلیسی Bootstrap Aggregating) که به آن بگینگ (از bootstrap aggregating) نیز گفته می‌شود، یک الگوریتم فرا ابتکاری در یادگیری ماشین است که برای بهبود پایداری و دقت الگوریتم‌های یادگیری ماشین مورد استفاده در دسته‌بندی آماری و رگرسیون طراحی شده است. همچنین این تکنیک واریانس را در مدل کاهش داده و در پیش‌گیری از بیش‌برازش بیش کمک می‌کند. به معنای ساده‌تر، یک تکنیک یادگیری گروهی است که با هدف به حداقل رساندن واریانس مدل استفاده می شود. در تکنیک بگینگ برای آموزش هر مدل، یک بخشی از داده به صورت تصادفی انتخاب شده (bootstrap) و در پروسه تصمیم‌گیری، نظر مدل‌ها باهم ترکیب می‌شوند. اگرچه اغلب از این تکنیک برای روش‌های درخت تصمیم استفاده می‌شود، اما می‌توان از این تکنیک در هر روشی بهره گرفت.^[۱]

منابع[ویرایش]