Bagging Ensemble

Bagging, abreviação de bootstrap aggregating, é um método de ensemble que reduz a variância treinando múltiplas cópias de um único algoritmo de aprendizado em diferentes subconjuntos aleatórios dos dados de treinamento. Cada subconjunto é criado via bootstrap sampling—amostragem aleatória com reposição. As previsões são combinadas por meio de voto majoritário (classificação) ou média (regressão). Introduzido por Leo Breiman em 1996, o bagging forma a base para random forests e é particularmente eficaz na redução de overfitting em modelos de alta variância.