التعبئة، والمعروفة أيضًا باسم Bootstrap Aggregating، هي خوارزمية مجمعة للتعلم الآلي تُستخدم لتحسين دقة واستقرار خوارزميات التعلم الآلي المعروفة باسم المتعلمين الضعفاء. إنه يعمل عن طريق تدريب نماذج متعددة على مجموعات فرعية مختلفة مختارة عشوائيًا من بيانات التدريب ثم دمج جميع النماذج عن طريق أخذ متوسطها (أو المتوسط المرجح). يؤدي هذا إلى تحسين دقة وتعميم النموذج الناتج، والذي عادة ما يكون أفضل بكثير من المتعلمين الضعفاء.

تم تطوير عملية التعبئة بواسطة توم بريمان في عام 1994، وهي نوع من التعلم الجماعي، مما يعني أنها تجمع بين العديد من المتعلمين الضعفاء لإنشاء نموذج واحد قوي. نحن نستخدم هذه الطريقة لتقليل تباين نموذج معين، دون زيادة انحيازه بشكل كبير، على عكس طرق مثل التعزيز.

يأتي مصطلح "التعبئة" من فكرة تعبئة العينات من مجموعة بيانات التدريب، حيث يتم تدريب نماذج مختلفة على عينات مختلفة. هذه الطريقة مفيدة لمشاكل مختلفة في مجال التعلم الآلي، وتم تطبيقها على خوارزميات مختلفة مثل Nave Bayes، وSupport Vector Machines، وDecision Trees، وRegression.

طريقة عمل التعبئة بسيطة. تبدأ بأخذ مجموعة فرعية من بيانات التدريب المتاحة. يمكن أن يكون حجم المجموعة الفرعية عادةً بنفس الحجم (أو أصغر) من مجموعة التدريب الأصلية. ثم تقوم بإنشاء نموذج بناءً على هذه المجموعة الفرعية. وهذا ما يسمى "المتعلم الضعيف". يتم تكرار هذه العملية عدة مرات مع مجموعات فرعية مختلفة من البيانات. والنتيجة النهائية هي مجموعة من المتعلمين الضعفاء الذين نطلق عليهم بعد ذلك "نموذج التعبئة". يتم بعد ذلك اختبار هذا النموذج على بيانات غير مرئية وينتج دقة واستقرارًا محسنين مقارنة بنموذج واحد.

إن عملية التعبئة هي طريقة بسيطة لكنها فعالة لتحسين دقة المتعلمين الضعفاء. إنه سريع، ويتناسب بشكل جيد مع حجم البيانات، وسهل التنفيذ إلى حد ما. إنها إحدى طرق التجميع الأكثر استخدامًا على نطاق واسع في التعلم الآلي، ويتم استخدامها في العديد من الخوارزميات الشائعة مثل Random Forest وAdaBoost وExtra Trees.

التعبئة، والمعروفة أيضًا باسم Bootstrap Aggregating، هي خوارزمية مجمعة للتعلم الآلي تُستخدم لتحسين دقة واستقرار خوارزميات التعلم الآلي المعروفة باسم المتعلمين الضعفاء. إنه يعمل عن طريق تدريب نماذج متعددة على مجموعات فرعية مختلفة مختارة عشوائيًا من بيانات التدريب ثم دمج جميع النماذج عن طريق أخذ متوسطها (أو المتوسط المرجح). يؤدي هذا إلى تحسين دقة وتعميم النموذج الناتج، والذي عادة ما يكون أفضل بكثير من المتعلمين الضعفاء.

تم تطوير عملية التعبئة بواسطة توم بريمان في عام 1994، وهي نوع من التعلم الجماعي، مما يعني أنها تجمع بين العديد من المتعلمين الضعفاء لإنشاء نموذج واحد قوي. نحن نستخدم هذه الطريقة لتقليل تباين نموذج معين، دون زيادة انحيازه بشكل كبير، على عكس طرق مثل التعزيز.

يأتي مصطلح "التعبئة" من فكرة تعبئة العينات من مجموعة بيانات التدريب، حيث يتم تدريب نماذج مختلفة على عينات مختلفة. هذه الطريقة مفيدة لمشاكل مختلفة في مجال التعلم الآلي، وتم تطبيقها على خوارزميات مختلفة مثل Nave Bayes، وSupport Vector Machines، وDecision Trees، وRegression.

طريقة عمل التعبئة بسيطة. تبدأ بأخذ مجموعة فرعية من بيانات التدريب المتاحة. يمكن أن يكون حجم المجموعة الفرعية عادةً بنفس الحجم (أو أصغر) من مجموعة التدريب الأصلية. ثم تقوم بإنشاء نموذج بناءً على هذه المجموعة الفرعية. وهذا ما يسمى "المتعلم الضعيف". يتم تكرار هذه العملية عدة مرات مع مجموعات فرعية مختلفة من البيانات. والنتيجة النهائية هي مجموعة من المتعلمين الضعفاء الذين نطلق عليهم بعد ذلك "نموذج التعبئة". يتم بعد ذلك اختبار هذا النموذج على بيانات غير مرئية وينتج دقة واستقرارًا محسنين مقارنة بنموذج واحد.

إن عملية التعبئة هي طريقة بسيطة لكنها فعالة لتحسين دقة المتعلمين الضعفاء. إنه سريع، ويتناسب بشكل جيد مع حجم البيانات، وسهل التنفيذ إلى حد ما. إنها إحدى طرق التجميع الأكثر استخدامًا على نطاق واسع في التعلم الآلي، ويتم استخدامها في العديد من الخوارزميات الشائعة مثل Random Forest وAdaBoost وExtra Trees.