{"id":163366,"date":"2026-01-28T13:04:34","date_gmt":"2026-01-28T12:04:34","guid":{"rendered":"https:\/\/liora.io\/de\/?p=163366"},"modified":"2026-02-06T04:29:13","modified_gmt":"2026-02-06T03:29:13","slug":"bagging-im-machine-learning-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/bagging-im-machine-learning-was-ist-das","title":{"rendered":"Bagging im Machine Learning: Was ist das?"},"content":{"rendered":"<p><strong><b>&#8222;Gemeinsam sind wir st\u00e4rker&#8220;: Mit diesem Zitat k\u00f6nnte man Bootstrap aggregating (kurz Bagging genannt) definieren. Tats\u00e4chlich geh\u00f6rt diese Technik zu den Ensemblemethoden, bei denen eine Gruppe von Stichproben betrachtet wird, um die endg\u00fcltige Entscheidung zu treffen. Nun schauen wir uns den Fall des Baggings genauer an.<\/b><\/strong><\/p><p>Zun\u00e4chst ist es notwendig, dass wir mit Daten arbeiten. Wir werden n\u00e4mlich nicht alle unsere Modelle mit denselben Daten versorgen, damit unsere Modelle <b>unabh\u00e4ngig<\/b> voneinander bleiben. Das Problem dabei ist, <a href=\"https:\/\/liora.io\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\">dass wir den Datensatz nicht zerlegen k\u00f6nnen.<\/a> Bei einer gro\u00dfen Anzahl von Modellen w\u00fcrden unsere Modelle nicht ausreichend trainiert und schlechte Ergebnisse liefern.<\/p>\t\t\n\t\t\t\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/weiterbildung-machine-learning-engineer\">Machine Learning Weiterbildung\u00b2<\/a><\/div><\/div>\n\n\t\t\t<h2 class=\"wp-block-heading\" id=\"h-bagging-die-losung-unseres-problems-bootstrap\">Bagging &#8211; Die L\u00f6sung unseres Problems: Bootstrap<\/h2>\t\t\n\t\t<p>Um dieses Problem zu l\u00f6sen, erstellen wir einen <a href=\"https:\/\/liora.io\/de\/bootstrap-was-ist-das-wie-kann-man-damit-eine-webseite-erstellen\"><b>Bootstrap<\/b><\/a>-Datensatz. Bei dieser Methode erstellen wir einen neuen Datensatz aus dem <a href=\"https:\/\/liora.io\/de\/datasets-top-5-websites-fuer-qualitativ-hochwertige-datensaetze\">urspr\u00fcnglichen Datensatz<\/a>. Der neue Datensatz hat die gleiche Gr\u00f6\u00dfe wie der Ausgangsdatensatz. Bezeichnen wir <i>n<\/i> als Stichprobengr\u00f6\u00dfe und nennen wir <i>E_1<\/i> den urspr\u00fcnglichen Datensatz und <i>E_2<\/i> den durch Bootstrap erstellten Datensatz. Aus <i>E_1<\/i> w\u00e4hlen wir zuf\u00e4llig eine Person aus, die wir in <i>E_2<\/i> platzieren. Diesen Schritt werden wir wiederholen, bis <i>E_2<\/i> die Gr\u00f6\u00dfe <i>n<\/i> hat. Es ist wichtig zu bemerken, dass die ausgew\u00e4hlten Elemente immer in <i>E_1<\/i> sind, wir k\u00f6nnen <strong>d<\/strong><b>as gleiche Element mehrmals ausw\u00e4hlen<\/b>. Mit dieser Besonderheit werden <strong>unterschiedliche Daten erzeugt.<\/strong><\/p><p>Schauen wir uns zum besseren Verst\u00e4ndnis ein konkretes Beispiel an, wobei wir die obigen Schreibweise \u00fcbernehmen.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t<figure>\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"422\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema_2-1.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema_2-1.webp 768w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema_2-1-300x165.webp 300w\" sizes=\"(max-width: 768px) 100vw, 768px\">\t\t\t\t\t\t\t\t\t\t\t<figcaption><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/weiterbildung-data-scientist\">Mehr \u00fcber die Ausbildung zum\/r Data Scientist erfahren<\/a><\/div><\/div>\n\n\t\t<ul><li style=\"font-weight: 400;\">Hier besteht <i>E_1<\/i> aus 2 Elementen namens A und 2 Elementen namens B, <i>E_2 <\/i>ist leer und <i>n<\/i>=4.<\/li><li style=\"font-weight: 400;\">In der ersten Wiederholung wird <b>zuf\u00e4llig<\/b> ein Element aus <i>E_1<\/i> ausgew\u00e4hlt, B wird in <i>E_2<\/i> platziert.<\/li><li style=\"font-weight: 400;\">Dieser Vorgang wird wiederholt, bis<i> E_2 <\/i>aus 4 Elementen besteht.<\/li><li style=\"font-weight: 400;\">Schlie\u00dflich besteht <i>E_2<\/i> aus 3 Elementen B und einem Element A. Ein Element B wurde dreimal ausgew\u00e4hlt.<\/li><\/ul><p>Nachdem wir nun gesehen haben, was Bootstrap ist, entscheiden wir uns daf\u00fcr, 3 Bootstrap-Stichproben* zu nehmen. Jeder Stichprobe werden wir ein anderes Modell zuweisen. Es ist \u00fcblich, <a href=\"https:\/\/de.wikipedia.org\/wiki\/Entscheidungsbaum\">Entscheidungsb\u00e4ume<\/a> zu verwenden. Wir trainieren jedes Modell und machen unsere Vorhersagen.<\/p><p>*die Wahl von 3 ist willk\u00fcrlich<\/p>\t\t\n\t\t\t<h2 class=\"wp-block-heading\" id=\"h-was-konnen-wir-jetzt-mit-drei-vorhersagen-anfangen\">Was k\u00f6nnen wir jetzt mit drei Vorhersagen anfangen?<\/h2>\t\t\n\t\t<p>Wir brauchen einen einzigen Wert f\u00fcr unser Problem, deshalb machen wir hier eine <b>Datenaggregation<\/b>. F\u00fcr Klassifikationsmodelle werden wir ein <b>Wahlsystem<\/b> anwenden und f\u00fcr Regressionsmodelle werden wir den <b>Mittelwert<\/b> des vorhergesagten Wertes berechnen. Nach dem Ausgangszitat konstruieren wir aus mehreren Modellen ein endg\u00fcltiges Modell.<\/p><p>Ein Beispiel f\u00fcr ein Wahlsystem, bei dem wir A oder B vorhersagen m\u00fcssen, k\u00f6nnen wir mit dem folgenden Beispiel sehen:<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"422\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema3.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema3.webp 768w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging-schema3-300x165.webp 300w\" sizes=\"(max-width: 768px) 100vw, 768px\">\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t<p>Um uns zu merken, was Bagging ist, k\u00f6nnen wir uns daran erinnern, dass es sich um eine Kombination aus Bootstrap und Aggregation handelt. Ein bekannter Bagging-Algorithmus ist der ber\u00fchmte<strong><a href=\"https:\/\/liora.io\/random-forest-definition\"> Random Forest<\/a><\/strong>. Au\u00dferdem kannst Du Dich <a href=\"https:\/\/liora.io\/de\/gradient-boosting-algorithmen\"><strong>in diesem Artikel<\/strong><\/a> \u00fcber eine weitere bekannte Aggregationstechnik, das <b>Boosting<\/b>, informieren.<\/p><blockquote><p><b>Bagging<\/b> = <b>B<\/b>ootstrap + <b>Agg<\/b>regat<b>ing<\/b><\/p><\/blockquote><p>Eine der St\u00e4rken dieser Methode ist die <b>Verringerung der Varianz<\/b>, denn auch wenn die Modelle nicht mit demselben Datensatz trainiert werden, teilen die Bootstrap-Stichproben gemeinsame Tupel, was zu einer <b>Verzerrung<\/b> f\u00fchrt. Diese erzeugte Verzerrung f\u00fchrt zu einer Verringerung der Varianz.<\/p><p>Ein zweiter Vorteil ist die Korrektur von Fehlvorhersagen. Betrachten wir das untere Bild. Jedes Modell macht einen Fehler bei der Vorhersage der Klassifizierung, aber jeder Fehler wird durch das Wahlsystem korrigiert.<\/p>\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"768\" height=\"422\" src=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging_schema3-24.webp\" alt=\"\" loading=\"lazy\" srcset=\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging_schema3-24.webp 768w, https:\/\/liora.io\/app\/uploads\/sites\/8\/2022\/09\/illu_bagging_schema3-24-300x165.webp 300w\" sizes=\"(max-width: 768px) 100vw, 768px\">\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t<p>Wir haben gesehen, wie Bagging mit Ensemblemethoden zusammenh\u00e4ngt. Wie in der Einleitung erw\u00e4hnt, verwenden wir mehrere Modelle, deren Vorhersagen wir zu einer endg\u00fcltigen Vorhersage aggregieren. Um unsere verschiedenen Modelle zu kalibrieren, erstellen wir verschiedene Datens\u00e4tze durch Bootstrapping auf die Ausgangsstichprobe.<\/p><p>Wenn Du dies in die Praxis umsetzen m\u00f6chtest, kannst Du Dich gerne f\u00fcr unsere Weiterbildung zum\/r Data Scientist anmelden.<\/p>\t\t\n\t\t\t\n<div class=\"wp-block-buttons is-layout-flex wp-block-buttons-is-layout-flex is-content-justification-center\"><div class=\"wp-block-button \"><a class=\"wp-block-button__link wp-element-button \" href=\"https:\/\/liora.io\/de\/weiterbildung-data-scientist\">Den Lehrgang zum\/r Data Scientist entdecken<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>\u201eGemeinsam sind wir st\u00e4rker\u201c: Mit diesem Zitat k\u00f6nnte man Bootstrap aggregating (kurz Bagging genannt) definieren. Tats\u00e4chlich geh\u00f6rt diese Technik zu den Ensemblemethoden, bei denen eine Gruppe von Stichproben betrachtet wird, um die endg\u00fcltige Entscheidung zu treffen. Nun schauen wir uns den Fall des Baggings genauer an.<\/p>\n","protected":false},"author":47,"featured_media":163369,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2472],"class_list":["post-163366","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ki"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/163366","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=163366"}],"version-history":[{"count":3,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/163366\/revisions"}],"predecessor-version":[{"id":216432,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/163366\/revisions\/216432"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/163369"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=163366"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=163366"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}