En un modelo de bagging, cada árbol individual se entrena sobre una muestra aleatoria con reemplazo de los datos, lo que deja fuera, en promedio, a cerca de un tercio de las observaciones originales para cada árbol. El error out-of-bag evalúa cada árbol usando precisamente esas observaciones que no vio durante su entrenamiento.
Por qué es una estimación conveniente
Permite obtener una estimación razonable del error de generalización del modelo sin necesitar separar explícitamente un conjunto de validación adicional, aprovechando la estructura propia del proceso de bagging para obtener esa evaluación prácticamente “gratis”.