Ensemble: bagging vs boosting
Ensemble · Boosting · XGBoost · Bagging
Menggabungkan banyak model lemah jadi kuat: bagging melatih paralel di sampel beda (random forest), boosting melatih berurutan memperbaiki kesalahan (XGBoost/LightGBM).
Boosting biasanya juara data tabular, tapi lebih rakus tuning dan gampang overfit di data kecil atau berisik.
Cara menyuruh agent
✕ Kurang tepat
“Model tabular terbaik apa?”
✓ Lebih tepat
“Bandingkan random forest (bagging) vs boosting (XGBoost) untuk churn tabular ini dengan cross-validation, plus laporkan waktu training-nya.”
Perbandingan head-to-head plus biaya training membuat pilihan realistis.
Yang perlu dicek di jawaban agent
Pemenang dipilih dari skor validasi (bukan train), dengan risiko overfit boosting disebut.
Istilah terkait
Latih istilah seperti ini bersama agent sungguhan
Setiap kasus berisi data nyata yang berantakan, permintaan bos, dan agent yang hanya bekerja sebaik instruksimu.
Lihat kasus