Какво ще стане, ако приложим bagging към линейни алгоритми?

Прилагането на bagging (bootstrap aggregating) към линейни алгоритми обикновено не води до значително подобрение на представянето. Това се дължи на факта, че линейните модели, като правило, имат ниска вариация и висок изкривяване. Bagging е ефективен за модели с висока вариация (например, дървета за вземане на решения), тъй като намалява вариабилността чрез усредняване.

При прилагане на bagging към линейни модели:

• Усредняването на модели, обучени върху различни подизборки, не намалява значително грешката.
• Може леко да увеличи устойчивостта към шум, но печалбата обикновено е незначителна.

Затова за линейните алгоритми по-често се използват други методи за подобрение, като регуляризация или подбор на признаци, а bagging се прилага към по-сложни, нестабилни модели.