¿Qué es el bagging?

Bagging (Bootstrap Aggregating) es un método de ensamblaje en aprendizaje automático que aumenta la estabilidad y precisión de los modelos. La idea principal es entrenar varios modelos en diferentes subconjuntos aleatorios de los datos originales con reemplazo (bootstrap), y luego promediar sus predicciones (para regresión) o seleccionar la clase más frecuente (para clasificación).

Ventajas del bagging:

• Reduce el sobreajuste (overfitting) al disminuir la varianza del modelo.
• Mejora la resistencia al ruido en los datos.

Ejemplo: el bosque aleatorio es un ensamblaje de árboles de decisión construidos mediante bagging.

from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

# Modelo base
base_clf = DecisionTreeClassifier()

# Bagging con 10 modelos
bagging_clf = BaggingClassifier(base_estimator=base_clf, n_estimators=10, random_state=42)
bagging_clf.fit(X_train, y_train)