Bagging
Bagging (singkatan dari Bootstrap Aggregating) adalah taktik melatih banyak model pintar secara paralel agar tebakan akhir menjadi lebih akurat dan stabil. Bayangkan Anda sedang bingung membeli HP baru: alih-alih bertanya ke satu teman saja, Anda meminta pendapat 10 teman Anda lalu mengambil kesepakatan suara terbanyak dari mereka.
1. Pengambilan Sampel Acak (Bootstrapping)
Proses dimulai dengan membagi dataset utama menjadi beberapa subset data acak menggunakan metode penarikan sampel dengan pengembalian (*with replacement*):
- Sampel Mandiri: Setiap subset data memiliki kombinasi baris data acak yang sedikit berbeda dari subset lainnya.
- Melatih Paralel: Setiap subset data langsung melatih satu sub-model tersendiri tanpa perlu mengantre.
Pembagian Sampel Data (Bootstrapping)
Proses pemecahan dataset utama menjadi beberapa subset acak secara paralel.
Ilustrasi dibentuk otomatis menggunakan asisten kecerdasan buatan (AI)
2. Penggabungan Keputusan (Aggregating)
Setelah semua sub-model selesai dilatih secara mandiri, seluruh prediksi digabungkan untuk menetapkan keputusan akhir:
- Mayoritas Suara (Voting): Dipakai untuk klasifikasi, di mana keputusan akhir adalah opsi yang paling banyak dipilih oleh model.
- Rata-rata (Averaging): Dipakai untuk regresi (memprediksi angka), di mana hasil akhir adalah nilai rata-rata dari semua tebakan sub-model.
Penggabungan Hasil Prediksi (Aggregating)
Menggabungkan tebakan-tebakan model lewat mekanisme voting suara terbanyak.
Ilustrasi dibentuk otomatis menggunakan asisten kecerdasan buatan (AI)
?
Uji Pemahaman Mandiri
Apa kepanjangan dan tujuan dari metode Bagging dalam Machine Learning?
A. Binary Aggregating; bertujuan mempercepat komputasi server database
B. Bootstrap Aggregating; bertujuan menurunkan varians and mencegah model mengalami overfitting
C. Boundary Algorithmic; bertujuan mencari batas linear data pencilan
