Bagging (agregación bootstrap)
Técnica de conjunto que entrena varios modelos sobre muestras bootstrap de los datos de entrenamiento y agrega sus predicciones para reducir la varianza.
El bagging, abreviatura de agregación bootstrap, es un método de conjunto en aprendizaje automático que entrena muchos modelos sobre distintas submuestras aleatorias del mismo conjunto de datos. Cada submuestra se extrae con reemplazo del conjunto de entrenamiento, de modo que algunos ejemplos aparecen varias veces y otros quedan fuera. Las predicciones de los modelos individuales se combinan después, normalmente por voto mayoritario en clasificación o promediado en regresión, lo que reduce la varianza respecto a un solo modelo ajustado a todos los datos.
Leo Breiman introdujo el bagging en 1996, y se convirtió en un bloque de construcción de los bosques aleatorios, donde muchos árboles de decisión entrenados mediante bagging se decorrelacionan además con selección aleatoria de características en cada división. El bagging sigue siendo una herramienta estándar en tuberías clásicas de aprendizaje supervisado para datos tabulares. Véase el artículo sobre bosques aleatorios y la entrada de la cronología.