バギング手法に関連する混乱

少し混乱しています。私はこの論文を読んでいて、バギング手法は分散を大幅に減らし、バイアスをわずかに増やすだけだと説明しました。どうして分散が小さくなるのかわかりませんでした。私は分散とバイアスが何であるかを知っています。バイアスとは、モデルがデータを学習できないことです。分散は、過適合に似ています。バギングによって分散がどのように減少するかはわかりません。

非公式には、モデルの分散が高すぎると、データに「適合しすぎる」可能性があります。つまり、異なるデータの場合、学習アルゴリズムによって検出されたモデルのパラメーターは異なります。つまり、学習セットによっては、学習されたパラメーターに大きな変動が生じます。

$N$$N$$N$$\sigma = 1$$0$$1$$N$$0$$\frac{1}{N}$

また、これは非常に非公式な直感にすぎないため、信頼できる優れたソースからのバイアス/差異について読むことをお勧めします。Elements of Statistical Learning IIをお勧めします：http : //www-stat.stanford.edu/~tibs/ElemStatLearn/

あなたは本を無料でダウンロードでき、バイアス/分散分解に関する章全体があります。