ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേറ്റിംഗ് എന്നും അറിയപ്പെടുന്ന ബാഗിംഗ്, ദുർബലരായ പഠിതാക്കൾ എന്നറിയപ്പെടുന്ന മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ കൃത്യതയും സ്ഥിരതയും മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുന്ന ഒരു മെഷീൻ ലേണിംഗ് എൻസെംബിൾ അൽഗോരിതം ആണ്. പരിശീലന ഡാറ്റയുടെ ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത വിവിധ ഉപസെറ്റുകളിൽ ഒന്നിലധികം മോഡലുകളെ പരിശീലിപ്പിച്ച് എല്ലാ മോഡലുകളും അവയുടെ ശരാശരി (അല്ലെങ്കിൽ വെയ്റ്റഡ് ശരാശരി) എടുത്ത് സംയോജിപ്പിച്ച് ഇത് പ്രവർത്തിക്കുന്നു. ഇത് ഫലമായുണ്ടാകുന്ന മോഡലിന്റെ കൃത്യതയും സാമാന്യവൽക്കരണവും മെച്ചപ്പെടുത്തുന്നു, ഇത് സാധാരണയായി ദുർബലരായ പഠിതാക്കളേക്കാൾ മികച്ചതാണ്.

1994-ൽ ടോം ബ്രെമാൻ വികസിപ്പിച്ചെടുത്ത ബാഗിംഗ് ഇത് ഒരു തരം സമന്വയ പഠനമാണ്, അതായത് ദുർബലരായ നിരവധി പഠിതാക്കളെ സംയോജിപ്പിച്ച് ശക്തമായ ഒരു മാതൃക സൃഷ്ടിക്കുന്നു. ബൂസ്റ്റിംഗ് പോലുള്ള രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, തന്നിരിക്കുന്ന മോഡലിന്റെ വ്യതിയാനം ഗണ്യമായി വർദ്ധിപ്പിക്കാതെ, അതിന്റെ വ്യതിയാനം കുറയ്ക്കുന്നതിന് ഞങ്ങൾ ഈ രീതി ഉപയോഗിക്കുന്നു.

"ബാഗിംഗ്" എന്ന പദം പരിശീലന ഡാറ്റാസെറ്റിൽ നിന്ന് ബാഗിംഗ് സാമ്പിളുകൾ എന്ന ആശയത്തിൽ നിന്നാണ് വരുന്നത്, കാരണം വ്യത്യസ്ത മോഡലുകൾ വ്യത്യസ്ത സാമ്പിളുകളിൽ പരിശീലിപ്പിക്കപ്പെടുന്നു. മെഷീൻ ലേണിംഗ് മേഖലയിലെ വിവിധ പ്രശ്നങ്ങൾക്ക് ഈ രീതി ഉപയോഗപ്രദമാണ്, കൂടാതെ നേവ് ബയേസ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകൾ, ഡിസിഷൻ ട്രീകൾ, റിഗ്രഷൻ തുടങ്ങിയ വിവിധ അൽഗോരിതങ്ങളിൽ ഇത് പ്രയോഗിച്ചു.

ബാഗിംഗ് പ്രവർത്തിക്കുന്ന രീതി ലളിതമാണ്. ലഭ്യമായ പരിശീലന ഡാറ്റയുടെ ഒരു ഉപവിഭാഗം എടുത്ത് നിങ്ങൾ ആരംഭിക്കുക. ഉപസെറ്റ് വലുപ്പം സാധാരണയായി യഥാർത്ഥ പരിശീലന സെറ്റിനേക്കാൾ ഏകദേശം ഒരേ വലിപ്പം (അല്ലെങ്കിൽ ചെറുത്) ആയിരിക്കാം. തുടർന്ന് ഈ ഉപഗണത്തെ അടിസ്ഥാനമാക്കി നിങ്ങൾ ഒരു മോഡൽ സൃഷ്ടിക്കുക. ഇതിനെ "ദുർബലമായ പഠിതാവ്" എന്ന് വിളിക്കുന്നു. ഡാറ്റയുടെ വിവിധ ഉപവിഭാഗങ്ങൾ ഉപയോഗിച്ച് ഈ പ്രക്രിയ നിരവധി തവണ ആവർത്തിക്കുന്നു. അന്തിമഫലം ദുർബലരായ പഠിതാക്കളുടെ ഒരു കൂട്ടമാണ്, അതിനെ ഞങ്ങൾ "ബാഗിംഗ് മോഡൽ" എന്ന് വിളിക്കുന്നു. ഈ മോഡൽ പിന്നീട് കാണാത്ത ഡാറ്റയിൽ പരീക്ഷിക്കുകയും ഒരൊറ്റ മോഡലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മെച്ചപ്പെട്ട കൃത്യതയും സ്ഥിരതയും സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.

ദുർബലരായ പഠിതാക്കളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനുള്ള ലളിതവും എന്നാൽ ഫലപ്രദവുമായ മാർഗ്ഗമാണ് ബാഗിംഗ്. ഇത് വേഗതയേറിയതാണ്, ഡാറ്റ വലുപ്പത്തിനൊപ്പം നന്നായി സ്കെയിൽ ചെയ്യുന്നു, കൂടാതെ നടപ്പിലാക്കാൻ വളരെ എളുപ്പമാണ്. മെഷീൻ ലേണിംഗിൽ ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന സമന്വയ രീതികളിൽ ഒന്നാണിത്, കൂടാതെ റാൻഡം ഫോറസ്റ്റ്, അഡാബൂസ്റ്റ്, എക്‌സ്‌ട്രാ ട്രീസ് തുടങ്ങിയ ജനപ്രിയ അൽഗോരിതങ്ങളിലും ഇത് ഉപയോഗിക്കുന്നു.

ബൂട്ട്‌സ്‌ട്രാപ്പ് അഗ്രഗേറ്റിംഗ് എന്നും അറിയപ്പെടുന്ന ബാഗിംഗ്, ദുർബലരായ പഠിതാക്കൾ എന്നറിയപ്പെടുന്ന മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ കൃത്യതയും സ്ഥിരതയും മെച്ചപ്പെടുത്താൻ ഉപയോഗിക്കുന്ന ഒരു മെഷീൻ ലേണിംഗ് എൻസെംബിൾ അൽഗോരിതം ആണ്. പരിശീലന ഡാറ്റയുടെ ക്രമരഹിതമായി തിരഞ്ഞെടുത്ത വിവിധ ഉപസെറ്റുകളിൽ ഒന്നിലധികം മോഡലുകളെ പരിശീലിപ്പിച്ച് എല്ലാ മോഡലുകളും അവയുടെ ശരാശരി (അല്ലെങ്കിൽ വെയ്റ്റഡ് ശരാശരി) എടുത്ത് സംയോജിപ്പിച്ച് ഇത് പ്രവർത്തിക്കുന്നു. ഇത് ഫലമായുണ്ടാകുന്ന മോഡലിന്റെ കൃത്യതയും സാമാന്യവൽക്കരണവും മെച്ചപ്പെടുത്തുന്നു, ഇത് സാധാരണയായി ദുർബലരായ പഠിതാക്കളേക്കാൾ മികച്ചതാണ്.

1994-ൽ ടോം ബ്രെമാൻ വികസിപ്പിച്ചെടുത്ത ബാഗിംഗ് ഇത് ഒരു തരം സമന്വയ പഠനമാണ്, അതായത് ദുർബലരായ നിരവധി പഠിതാക്കളെ സംയോജിപ്പിച്ച് ശക്തമായ ഒരു മാതൃക സൃഷ്ടിക്കുന്നു. ബൂസ്റ്റിംഗ് പോലുള്ള രീതികളിൽ നിന്ന് വ്യത്യസ്തമായി, തന്നിരിക്കുന്ന മോഡലിന്റെ വ്യതിയാനം ഗണ്യമായി വർദ്ധിപ്പിക്കാതെ, അതിന്റെ വ്യതിയാനം കുറയ്ക്കുന്നതിന് ഞങ്ങൾ ഈ രീതി ഉപയോഗിക്കുന്നു.

"ബാഗിംഗ്" എന്ന പദം പരിശീലന ഡാറ്റാസെറ്റിൽ നിന്ന് ബാഗിംഗ് സാമ്പിളുകൾ എന്ന ആശയത്തിൽ നിന്നാണ് വരുന്നത്, കാരണം വ്യത്യസ്ത മോഡലുകൾ വ്യത്യസ്ത സാമ്പിളുകളിൽ പരിശീലിപ്പിക്കപ്പെടുന്നു. മെഷീൻ ലേണിംഗ് മേഖലയിലെ വിവിധ പ്രശ്നങ്ങൾക്ക് ഈ രീതി ഉപയോഗപ്രദമാണ്, കൂടാതെ നേവ് ബയേസ്, സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകൾ, ഡിസിഷൻ ട്രീകൾ, റിഗ്രഷൻ തുടങ്ങിയ വിവിധ അൽഗോരിതങ്ങളിൽ ഇത് പ്രയോഗിച്ചു.

ബാഗിംഗ് പ്രവർത്തിക്കുന്ന രീതി ലളിതമാണ്. ലഭ്യമായ പരിശീലന ഡാറ്റയുടെ ഒരു ഉപവിഭാഗം എടുത്ത് നിങ്ങൾ ആരംഭിക്കുക. ഉപസെറ്റ് വലുപ്പം സാധാരണയായി യഥാർത്ഥ പരിശീലന സെറ്റിനേക്കാൾ ഏകദേശം ഒരേ വലിപ്പം (അല്ലെങ്കിൽ ചെറുത്) ആയിരിക്കാം. തുടർന്ന് ഈ ഉപഗണത്തെ അടിസ്ഥാനമാക്കി നിങ്ങൾ ഒരു മോഡൽ സൃഷ്ടിക്കുക. ഇതിനെ "ദുർബലമായ പഠിതാവ്" എന്ന് വിളിക്കുന്നു. ഡാറ്റയുടെ വിവിധ ഉപവിഭാഗങ്ങൾ ഉപയോഗിച്ച് ഈ പ്രക്രിയ നിരവധി തവണ ആവർത്തിക്കുന്നു. അന്തിമഫലം ദുർബലരായ പഠിതാക്കളുടെ ഒരു കൂട്ടമാണ്, അതിനെ ഞങ്ങൾ "ബാഗിംഗ് മോഡൽ" എന്ന് വിളിക്കുന്നു. ഈ മോഡൽ പിന്നീട് കാണാത്ത ഡാറ്റയിൽ പരീക്ഷിക്കുകയും ഒരൊറ്റ മോഡലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ മെച്ചപ്പെട്ട കൃത്യതയും സ്ഥിരതയും സൃഷ്ടിക്കുകയും ചെയ്യുന്നു.

ദുർബലരായ പഠിതാക്കളുടെ കൃത്യത മെച്ചപ്പെടുത്തുന്നതിനുള്ള ലളിതവും എന്നാൽ ഫലപ്രദവുമായ മാർഗ്ഗമാണ് ബാഗിംഗ്. ഇത് വേഗതയേറിയതാണ്, ഡാറ്റ വലുപ്പത്തിനൊപ്പം നന്നായി സ്കെയിൽ ചെയ്യുന്നു, കൂടാതെ നടപ്പിലാക്കാൻ വളരെ എളുപ്പമാണ്. മെഷീൻ ലേണിംഗിൽ ഏറ്റവും വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്ന സമന്വയ രീതികളിൽ ഒന്നാണിത്, കൂടാതെ റാൻഡം ഫോറസ്റ്റ്, അഡാബൂസ്റ്റ്, എക്‌സ്‌ട്രാ ട്രീസ് തുടങ്ങിയ ജനപ്രിയ അൽഗോരിതങ്ങളിലും ഇത് ഉപയോഗിക്കുന്നു.