Bagging (Bootstrap Aggregating)

Es un método de ensemble learning que mejora la precisión y robustez de los modelos de predicción al combinar varios modelos individuales.

Se basa en generar subconjuntos aleatorios de los datos originales utilizando muestreo con reemplazo, lo que crea múltiples conjuntos de datos de entrenamiento.

Cada modelo individual es entrenado en uno de estos subconjuntos, lo que permite reducir la varianza del conjunto final.

Los resultados de los modelos individuales se combinan, usualmente mediante promedio (en problemas de regresión) o votación mayoritaria (en problemas de clasificación), para generar una predicción global más precisa.

Este enfoque es particularmente útil con modelos de alto sesgo y alta varianza, como los árboles de decisión, ayudando a reducir el sobreajuste.