Bagging
Categoria
Fundamentos de IA
Bagging (Bootstrap Aggregating) é uma técnica de ensemble que treina multiplos modelos em subconjuntos aleatorios dos dados é combina suas previsões. Reduz a variancia é melhora a estabilidade do modelo.
Categoria
Fundamentos de IA
Compartilhar
O que é Bagging?
Bagging (Bootstrap Aggregating) é uma técnica de ensemble learning que reduz a variancia de modelos instáveis ao treinar multiplas versões do modelo em diferentes subconjuntos aleatorios dos dados de treinamento.
Como Funciona
- Cria N amostras bootstrap (com reposicao) dos dados originais
- Treina um modelo independente em cada amostra
- Para classificação: combina por votacao majoritaria
- Para regressao: combina por media
Beneficios
- Reduz overfitting em modelos de alta variancia
- Melhora a estabilidade das previsões
- Paralelizavel: modelos treinam independentemente
Exemplo Classico
O Random Forest é a aplicação mais famosa de bagging, combinando centenas de arvores de decisão. Na Trilion, bagging é uma técnica fundamental no arsenal de modelagem, especialmente quando a estabilidade preditiva é critica.
