Фасовка в мешки, которая расшифровывается как «агрегация бутстрэпа», является разновидностью ансамблевого обучения. Чтобы собрать слабого ученика, например дерево принятия решений в наборе данных, fitrensemble создает множество загрузочных реплик набора данных и выращивает деревья принятия решений на этих репликах. fitrensemble получает каждую реплику начальной загрузки путем случайного выбора N наблюдения из N с заменой, где N - размер набора данных. Чтобы найти прогнозируемый отклик обученного ансамбля, predict принимает среднее значение над прогнозами от отдельных деревьев.

Рисование N вне N наблюдения с заменой пропускает в среднем 37% (1/е) наблюдений для каждого дерева решений. Это «не по карману» наблюдения. Для каждого наблюдения, oobLoss оценивает предсказание вне мешка путем усреднения по предсказаниям от всех деревьев в ансамбле, для которого это наблюдение вне мешка. Затем он сравнивает вычисленное предсказание с истинным ответом для этого наблюдения. Он вычисляет ошибку вне пакета, сравнивая прогнозируемые ответы из пакета с истинными ответами для всех наблюдений, используемых для обучения. Это среднее из мешка является непредвзятой оценкой истинной ошибки ансамбля.

Для ансамблей классификационный балл представляет уверенность классификации в классе. Чем выше оценка, тем выше уверенность.

Различные алгоритмы ансамбля имеют разные определения для своих оценок. Кроме того, диапазон баллов зависит от типа ансамбля. Например: