バギング

バギングとは、アンサンブル学習の手法の一つで、複数のモデルを並列に学習させて統合する手法です。ブートストラップサンプリングを用いて学習データを分割し、各モデルを独立して訓練します。

各モデルの予測結果を平均化や多数決で統合することで、個々のモデルの偏り（バイアス）はそのままで、分散を小さくし、モデル全体としての汎化性能を高めることができます。ランダムフォレストなどがこの代表例です。

ブースティングとの違いが頻出します。ブースティングはモデルを逐次的に学習させ誤りを補正していきますが、バギングは独立した複数のモデルを並列に学習させる点で明確に異なります。