Agregación por Bootstrap (Bagging)
El bagging, abreviatura de Bootstrap Aggregating, es un metaalgoritmo de ensamble introducido por Leo Breiman en 1996 que entrena múltiples copias de un aprendiz base en muestras bootstrap extraídas independientemente de los datos de entrenamiento y combina sus predicciones —mediante promediación para regresión o voto mayoritario para clasificación— para producir un predictor final con una varianza sustancialmente menor que la de cualquier aprendiz base individual.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
+16 more
Fuentes
- Breiman, L. (1996). Bagging Predictors. Machine Learning, 24(2), 123–140. DOI: 10.1007/BF00058655 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 8.7). Springer. ISBN: 978-0-387-84857-0
- James, G., Witten, D., Hastie, T. & Tibshirani, R. (2013). An Introduction to Statistical Learning (Ch. 8.2). Springer. ISBN: 978-1-4614-7138-7
Cómo citar esta página
ScholarGate. (2026, June 3). Bagging (Bootstrap Aggregating). ScholarGate. https://scholargate.app/es/machine-learning/bagging
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostAprendizaje automático↔ compare
- Árbol de DecisiónAprendizaje automático↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →