Ensembel Bagging

Bagging, singkatan kepada bootstrap aggregating, ialah kaedah ensembel yang mengurangkan varians dengan melatih berbilang salinan algoritma pembelajaran tunggal pada subset rawak data latihan yang berbeza. Setiap subset dicipta melalui persampelan bootstrap—iaitu persampelan rawak dengan penggantian. Ramalan digabungkan melalui pengundian majoriti (klasifikasi) atau purata (regresi). Diperkenalkan oleh Leo Breiman pada tahun 1996, bagging membentuk asas untuk hutan rawak (random forests) dan amat berkesan untuk mengurangkan lebihan suai (overfitting) dalam model bervarians tinggi.