การรวมกลุ่มแบบแบ็กกิง
แบ็กกิง (Bagging) ย่อมาจาก bootstrap aggregating เป็นวิธีการรวมกลุ่ม (ensemble method) ที่ช่วยลดความแปรปรวน (variance) โดยการฝึกฝนแบบจำลองการเรียนรู้เดียวหลายๆ ชุดบนชุดข้อมูลฝึกฝนแบบสุ่มที่แตกต่างกัน โดยแต่ละชุดข้อมูลย่อยได้มาจากการสุ่มแบบบูตสแตรป (bootstrap sampling) ซึ่งเป็นการสุ่มตัวอย่างแบบใส่คืน การทำนายจะถูกรวมเข้าด้วยกันผ่านการลงคะแนนเสียงข้างมาก (classification) หรือการหาค่าเฉลี่ย (regression) แบ็กกิงถูกนำเสนอโดย Leo Breiman ในปี 1996 เป็นรากฐานของ random forests และมีประสิทธิภาพอย่างยิ่งในการลดการเรียนรู้เกิน (overfitting) ในแบบจำลองที่มีความแปรปรวนสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Breiman, L. (1996). Bagging predictors. Machine Learning, 24(2), 123-140. DOI: 10.1007/BF00058655 ↗
- Efron, B. (1979). Bootstrap methods: another look at the jackknife. The Annals of Statistics, 7(1), 1-26. DOI: 10.1214/aos/1176344552 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Bootstrap Aggregating Ensemble. ScholarGate. https://scholargate.app/th/ensemble-learning/bagging-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostการเรียนรู้ของเครื่อง↔ compare
- Boosting Ensembleการเรียนรู้แบบรวมกลุ่ม↔ compare
- การลงคะแนนเสียงข้างมากการเรียนรู้แบบรวมกลุ่ม↔ compare
- Random Forestการเรียนรู้ของเครื่อง↔ compare