Agregación de muestras bootstrap (Bagging)

Bagging, abreviatura de agregación de muestras bootstrap (bootstrap aggregating), es un método de conjunto (ensemble) que reduce la varianza entrenando múltiples copias de un único algoritmo de aprendizaje sobre diferentes subconjuntos aleatorios de los datos de entrenamiento. Cada subconjunto se crea mediante muestreo bootstrap: extracción aleatoria de muestras con reemplazo. Las predicciones se combinan mediante votación mayoritaria (clasificación) o promediación (regresión). Introducido por Leo Breiman en 1996, el bagging constituye la base de los bosques aleatorios (random forests) y es particularmente eficaz para reducir el sobreajuste (overfitting) en modelos de alta varianza.