4.6. Bagging

Video tersebut menjelaskan teknik bagging (bootstrap aggregating) untuk mengurangi kesalahan generalisasi dengan melatih beberapa model secara terpisah dan menggabungkan hasilnya, serta membahas kelebihan dan kekurangan dari metode ini. Berikut adalah poin-poin penting dari video dalam bentuk poin:

• 0:10: Menjelaskan istilah Bagging berasal dari bootstrap aggregating, digunakan untuk mengurangi kesalahan generalisasi dengan menggabungkan beberapa model.
• 0:18: Teknik ini melibatkan pelatihan beberapa model secara terpisah dan menggabungkan hasilnya.
• 0:23: Metode ini dikenal sebagai metode ensemble.
• 0:44: Ilustrasi: Dataset dibagi menjadi data pelatihan dan data pengujian, data pelatihan dibagi ke dalam beberapa subset, dan masing-masing subset dilatih dengan model berbeda.
• 0:55: Hasil output dari model-model tersebut digabungkan (averaging untuk regresi, voting untuk klasifikasi).
• 1:30: Kelebihan bagging: Mengurangi overfitting, meningkatkan ketahanan dan kinerja generalisasi, menyediakan estimasi ketidakpastian melalui agregasi.
• 1:44: Kekurangan bagging: Membutuhkan lebih banyak sumber daya komputasi dan waktu pelatihan, mungkin tidak cocok untuk kumpulan data besar.