O que é bagging?

Bagging (Bootstrap Aggregating) é um método de ensemble em aprendizagem de máquina que aumenta a estabilidade e precisão dos modelos. A ideia principal é treinar vários modelos em diferentes subconjuntos aleatórios dos dados originais com reposição (bootstrap), e então fazer a média de suas previsões (para regressão) ou escolher a classe mais frequente (para classificação).

Vantagens do bagging:

• Reduz o overfitting ao diminuir a variância do modelo.
• Melhora a resistência ao ruído nos dados.

Exemplo: a floresta aleatória é um conjunto de árvores de decisão construídas usando bagging.

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

# Modelo base
base_clf = DecisionTreeClassifier()

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