Ensemble de Bagging

Le bagging, abréviation de « bootstrap aggregating », est une méthode d'ensemble qui réduit la variance en entraînant plusieurs copies d'un même algorithme d'apprentissage sur différents sous-ensembles aléatoires des données d'entraînement. Chaque sous-ensemble est créé par échantillonnage bootstrap — tirage aléatoire d'échantillons avec remise. Les prédictions sont combinées par vote majoritaire (classification) ou par moyennage (régression). Introduit par Leo Breiman en 1996, le bagging constitue la base des forêts aléatoires et est particulièrement efficace pour réduire le surapprentissage dans les modèles à forte variance.