{{Translated page}}
Bagging算法 (英語:Bootstrap aggregating,引導聚集算法),又稱裝袋算法,是機器學習領域的一種集成學習算法。最初由Leo Breiman於1994年提出。Bagging算法可與其他分類、回歸算法結合,提高其準確率、穩定性的同時,透過降低結果的變異數,避免過擬合的發生。
给定一个大小为 n {\displaystyle n} 的训练集 D {\displaystyle D} ,Bagging算法从中均匀、有放回地(即使用自助抽样法)选出 m {\displaystyle m} 个大小为 n ′ {\displaystyle n'} 的子集 D i {\displaystyle D_{i}} ,作为新的训练集。在这 m {\displaystyle m} 个训练集上使用分类、回归等算法,则可得到 m {\displaystyle m} 个模型,再透過取平均值、取多数票等方法,即可得到Bagging的结果。