Bagging (Bootstrap Aggregating) entrena varios modelos independientes, cada uno sobre una muestra aleatoria con reemplazo de los datos de entrenamiento originales, y combina sus predicciones —por votación o promedio— para obtener un resultado final más estable que el de cualquier modelo individual.
Su efecto principal
Al combinar modelos entrenados sobre distintas muestras, reduce la varianza del resultado final: errores particulares de un modelo individual, causados por las peculiaridades de su muestra específica, tienden a compensarse al promediar con los demás modelos del ensamble. Random Forest es el ejemplo más conocido de esta técnica.