Abreviatura de Bootstrap Aggregating, es una técnica de ensamblaje en aprendizaje automático que integra múltiples modelos para aumentar la estabilidad y precisión. Primero, se generan múltiples subconjuntos de datos de entrenamiento a partir del conjunto de datos original mediante muestreo con reemplazo. Esto significa que algunos ejemplos pueden aparecer en varios subconjuntos, mientras que otros pueden no aparecer en absoluto. Acto seguido, se entrena un modelo de aprendizaje en cada uno de estos subconjuntos de datos. Estos modelos pueden ser del mismo tipo, como árboles de decisión, pero se entrenan con diferentes subconjuntos de datos.
Una vez entrenados todos los modelos, se realiza la predicción agregada. Para problemas de clasificación, las predicciones se obtienen mediante votación mayoritaria entre los modelos. Para problemas de regresión, las predicciones se promedian.