Definición
Bagging es un método de aprendizaje en conjunto en el que se entrenan varios modelos sobre distintas submuestras de datos y luego se combinan sus respuestas.
Ejemplo
Para clasificar solicitudes, se entrenan varios árboles de decisión con diferentes partes de los datos y la respuesta final se elige por votación.
Por qué importa
El término es importante para entender los ensembles: a veces un grupo de modelos simples funciona de forma más fiable que un solo modelo complejo.
Cómo funciona
El algoritmo crea varios conjuntos de entrenamiento a partir de los datos originales, entrena modelos individuales y agrega sus predicciones.
Dónde se usa
- clasificación
- regresión
- modelos estables con datos tabulares
Limitaciones
Bagging aumenta los costes computacionales y no siempre ayuda si los modelos base son demasiado simples o los datos están mal preparados.
FAQ
¿Por qué es útil conocer “Bagging”?
El término es importante para entender los ensembles: a veces un grupo de modelos simples funciona de forma más fiable que un solo modelo complejo.