Ensemble Bagging

Bagging, singkatan dari bootstrap aggregating, adalah metode ensemble yang mengurangi varians dengan melatih banyak salinan dari satu algoritma pembelajaran pada subset data latih yang berbeda secara acak. Setiap subset dibuat melalui pengambilan sampel bootstrap—pengambilan sampel acak dengan penggantian. Prediksi digabungkan melalui pemungutan suara mayoritas (klasifikasi) atau perataan (regresi). Diperkenalkan oleh Leo Breiman pada tahun 1996, bagging menjadi dasar bagi random forests dan sangat efektif untuk mengurangi overfitting pada model dengan varians tinggi.