배깅
둘러보기로 이동
검색으로 이동
배깅(틀:Llang)은 bootstrap aggregating의 줄임말로 통계적 분류와 회귀 분석에서 사용되는 기계 학습 알고리즘의 안정성과 정확도를 향상시키기 위해 고안된 일종의 앙상블 학습법의 메타 알고리즘이다. 또한 배깅은 분산을 줄이고 과적합(틀:Lang)을 피하도록 해준다. 결정 트리 학습법이나 랜덤 포레스트에만 적용되는 것이 일반적이기는 하나, 그 외의 다른 방법들과 함께 사용할 수 있다.
설명
크기 n인 훈련 집합(틀:Lang) 가 주어졌을 때, 배깅은 복원 표본추출(틀:Lang) 방법과 균등 확률분포를 이용해 각각의 크기가 n′ 인 m개의 새로운 훈련 집합 을 생성한다. 복원 표본추출 이기 때문에 일부 관측 데이터는 각 에 반복해서 나타날 수 있다. 이러한 샘플을 부트스트랩(틀:Lang) 샘플이라 한다. m개의 모델은 m개의 부트스트랩 샘플들을 이용해 만들어지고 결과를 평균(회귀분석의 경우) 또는 투표(분류의 경우)를 통해 결합한다.