กรณีการใช้งานหลักสำหรับการบรรจุถุงคือการลดความแปรปรวนของแบบจำลองลำเอียงต่ำโดยการรวมเข้าด้วยกัน สิ่งนี้ได้ทำการศึกษาเชิงประจักษ์ในกระดาษสถานที่สำคัญ" การเปรียบเทียบเชิงประจักษ์ของอัลกอริทึมการจำแนกประเภทการออกเสียง: การบรรจุ, การส่งเสริมและการแปรผัน" โดย Bauer และ KohaviKohavi มันมักจะทำงานตามที่โฆษณาไว้
แต่ขัดกับความเชื่อที่นิยมใส่ถุงไม่รับประกันว่าจะลดความแปรปรวน คำอธิบายที่ใหม่กว่าและ (ในความเห็นของฉัน) คำอธิบายที่ดีกว่าก็คือการบรรจุถุงจะลดอิทธิพลของคะแนนการใช้ประโยชน์ คะแนนเลเวอเรจคือตำแหน่งที่ส่งผลกระทบต่อโมเดลที่เกิดขึ้นอย่างไม่เป็นสัดส่วนเช่นค่าผิดปกติในการถดถอยกำลังสองน้อยที่สุด มันเป็นเรื่องยาก แต่เป็นไปได้สำหรับการใช้ประโยชน์จากคะแนนที่มีอิทธิพลต่อรูปแบบในเชิงบวกซึ่งในกรณีที่บรรจุถุงลดประสิทธิภาพ ดูที่"การบรรจุถุงอิทธิพลอย่างเท่าเทียม " โดย GrandvaletGrandvalet
ดังนั้นเพื่อตอบคำถามของคุณในที่สุด: ผลของการห่อส่วนใหญ่ขึ้นอยู่กับคะแนนการใช้ประโยชน์ มีการรับประกันทางทฤษฎีเพียงเล็กน้อยเท่านั้นยกเว้นการบรรจุถุงที่เพิ่มเวลาในการคำนวณเชิงเส้นในแง่ของขนาดกระเป๋า! ที่กล่าวว่ามันยังคงเป็นเทคนิคที่ใช้กันอย่างแพร่หลายและมีประสิทธิภาพมาก เมื่อเรียนรู้ด้วยเสียงฉลากเช่นการบรรจุถุงสามารถผลิตตัวแยกประเภทที่แข็งแกร่งขึ้น
Rao และ Tibshirani ให้การตีความแบบเบย์ใน" วิธี out-of-bootstrap สำหรับการหาค่าเฉลี่ยและการเลือกแบบจำลอง " :
ในแง่นี้การกระจาย bootstrap แสดงให้เห็นถึงการกระจายหลังพารามิเตอร์ (ไม่ใช่โดยประมาณ) ไม่ใช่พารามิเตอร์สำหรับพารามิเตอร์ของเรา แต่การกระจาย bootstrap นี้ได้รับอย่างไม่ลำบาก - โดยไม่ต้องระบุอย่างเป็นทางการก่อนและไม่ต้องสุ่มตัวอย่างจากการกระจายหลัง ดังนั้นเราอาจคิดว่าการกระจาย bootstrap เป็นคนหลัง "Bayes ของคนจน