Bagging, который обозначает “агрегацию начальной загрузки”, является типом приобретения знаний ансамблем. Чтобы уволить слабого ученика, такого как дерево решений на наборе данных, fitrensemble генерирует много копий начальной загрузки набора данных и выращивает деревья решений на этих копиях. fitrensemble получает каждую копию начальной загрузки путем случайного выбора наблюдений N из N с заменой, где N является размером набора данных. Чтобы найти предсказанный ответ обученного ансамбля, predict берет среднее значение по прогнозам от отдельных деревьев.

Вытягивание N из наблюдений N с заменой не использует в среднем 37% (1/e) наблюдений для каждого дерева решений. Это наблюдения "из сумки". Для каждого наблюдения oobLoss оценивает прогноз из сумки путем усреднения по прогнозам от всех деревьев в ансамбле, для которого это наблюдение вне сумки. Это затем сравнивает вычисленный прогноз с истинным ответом для этого наблюдения. Это вычисляет ошибку из сумки путем сравнения предсказанных ответов из сумки с истинными ответами для всех наблюдений, используемых для обучения. Это среднее значение из сумки является несмещенным средством оценки истинной ошибки ансамбля.

Классификация margin является различием между классификацией score для истинного класса и максимальным счетом классификации к ложным классам. Поле является вектор-столбцом с одинаковым числом строк как в матричном ens .X.