Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Bootstrap-aggregatie

Engels: Bootstrap aggregating · Ook wel: bagging, bootstrap aggregating, bootstrap aggregation

In het kort

Bootstrap aggregating (bagging) is een methode in machine learning die meerdere modellen combineert om de spreiding in voorspellingen te verkleinen. Elk model traint zelfstandig op een eigen willekeurige steekproef uit dezelfde gegevens, waarna het systeem het gemiddelde van alle voorspellingen neemt. Zo blijft een schatting stabieler wanneer de trainingsgegevens licht veranderen, bijvoorbeeld bij een model dat voor een bank het risico op wanbetaling van een klant inschat.

Waarom is dit belangrijk?

Losse modellen slaan soms sterk om door een paar afwijkende gevallen, en samenvoegen houdt de uitkomst dan dichter bij het grotere patroon. In de zorg passen onderzoekers bootstrap-aggregatie toe bij het automatisch indelen van geschreven medische verslagen over kanker. Medewerkers in de zorg krijgen een vastere indeling van zulke verslagen, maar het trainen van veel modellen vraagt ook veel rekenkracht en tijd.

Zo werkt het in de praktijk

De Amerikaanse Forest Service testte bootstrap aggregating voor kaarten van plantengroei in het oosten van de Verenigde Staten. De Northern Research Station rekende met klimaatscenario's van het Canadian Climate Centre voor huidig en toekomstig klimaat. Random forests met bootstrap aggregating voorspellen toekomstige uitkomsten op de aandelenmarkt en in de e-commerce.

Onderzoekers van de University of California, Riverside bekijken bootstrap aggregating voor economische voorspellingen en statistische toetsing. Zij koppelen bagging aan beslisbomen in random forests, zodat voorspellingen robuuster worden. Het hoofdstuk behandelt varianten van deze methoden in de theorie en in de praktijk.

Bron: en.wikipedia.org

Gecontroleerd op 23 oktober 2026