बैगिंग (Bagging)
बैगिंग को बूटस्ट्रैप एकत्रीकरण के रूप में भी जाना जाता है। यह एक पहनावा सीखने की विधि है जिसका उपयोग आमतौर पर शोर वाले डेटासेट के भीतर विचरण को कम करने के लिए किया जाता है। बैगिंग में, एक प्रशिक्षण सेट में डेटा का एक यादृच्छिक नमूना प्रतिस्थापन के साथ चुना जाता है, जिसका अर्थ है कि एकल डेटा बिंदुओं को एक से अधिक बार चुना जा सकता है।
कई डेटा नमूने उत्पन्न होने के बाद, इन कमजोर मॉडलों को प्रतिगमन या वर्गीकरण के कार्य तत्व के आधार पर अलग से प्रशिक्षित किया जाता है। उदाहरण के लिए, उन भविष्यवाणियों का औसत एक अधिक कुशल अनुमान देता है।
रैंडम फॉरेस्ट बैगिंग पर एक विस्तार है। यह भविष्यवाणी के लिए डेटा के एक यादृच्छिक उपसमूह को लेने के लिए एक और कदम उठाता है। यह सभी सुविधाओं का उपयोग करके ट्री विकसित करने के बजाय सुविधाओं का एक यादृच्छिक चयन भी बनाता है। जब इसमें कई यादृच्छिक ट्री हो सकते हैं, तो इसे रैंडम फॉरेस्ट के रूप में जाना जाता है।
बैगिंग का उपयोग वित्त बाजार में डीप लर्निंग मॉडल के साथ भी किया गया है, जो धोखाधड़ी का पता लगाने, क्रेडिट जोखिम गणना, और विकल्प मूल्य निर्धारण मुद्दों जैसे महत्वपूर्ण कार्यों को स्वचालित करता है।
यह शोध दर्शाता है कि कई मशीन लर्निंग तकनीकों के बीच बैगिंग का उपयोग ऋण डिफ़ॉल्ट जोखिम बनाने के लिए कैसे किया गया है। यह अध्ययन समझता है कि बैगिंग बैंकिंग और वित्तीय संस्थानों के भीतर क्रेडिट कार्ड धोखाधड़ी से बचकर जोखिम को कम करने में कैसे सहायता करता है।
बूस्टिंग (Boosting)
बूस्टिंग भविष्यवक्ताओं का एक सेट बनाने के लिए एक और पहनावा प्रक्रिया है। दूसरे शब्दों में, यह लगातार ट्री को फिट कर सकता है, आमतौर पर यादृच्छिक नमूने, और हर चरण में, उद्देश्य पिछले ट्री से शुद्ध त्रुटि को हल करना है।
बूस्टिंग का उपयोग आमतौर पर सुपरवाइज्ड लर्निंग तकनीक में पूर्वाग्रह और विचरण को कम करने के लिए किया जाता है। यह एक एल्गोरिदम परिवार को परिभाषित करता है जो कमजोर शिक्षार्थियों (बेस लर्नर्स) को मजबूत शिक्षार्थियों में बदल देता है। कमजोर शिक्षार्थी वे क्लासिफायर हैं जो वास्तविक वर्गीकरण के साथ केवल एक छोटी सीमा तक सही हैं, जबकि मजबूत शिक्षार्थी वे क्लासिफायर हैं जो वास्तविक वर्गीकरण के साथ अच्छी तरह से सहसंबद्ध हैं।
तुलना तालिका
| बैगिंग | बूस्टिंग |
|---|---|
| उद्देश्य विचरण को कम करना, पूर्वाग्रह नहीं। | उद्देश्य पूर्वाग्रह को कम करना, विचरण नहीं। |
| प्रत्येक मॉडल स्वतंत्र रूप से बनाया जाता है। | नए मॉडल पहले विकसित मॉडल के कार्यान्वयन से प्रभावित होते हैं। |
| यह समान प्रकार से संबंधित भविष्यवाणियों को जोड़ने का सबसे सरल तरीका है। | यह कई प्रकार से संबंधित भविष्यवाणियों को जोड़ने की एक विधि है। |
| बैगिंग ओवर-फिटिंग समस्या से निपटने का प्रयास करता है। | बूस्टिंग पूर्वाग्रह को कम करने का प्रयास करता है। |
| पूरे प्रशिक्षण डेटासेट से प्रतिस्थापन के साथ कई प्रशिक्षण डेटा सबसेट यादृच्छिक रूप से खींचे जाते हैं। | प्रत्येक नया सबसेट उन घटकों को शामिल करता है जिन्हें पिछले मॉडलों द्वारा गलत वर्गीकृत किया गया था। |
| बैगिंग ओवर-फिटिंग समस्या को हल कर सकता है। | बूस्टिंग ओवर-फिटिंग समस्या को बढ़ा सकता है। |
