Bagging, которое расшифровывается как «bootstrap aggregation», является типом обучения ансамбля. Чтобы упаковать слабого ученика, такого как дерево решений на наборе данных, fitrensemble генерирует много реплик bootstrap набора данных и выращивает деревья решений на этих репликах. fitrensemble получает каждую реплику bootstrap путем случайного выбора N наблюдения вне N с заменой, где N - размер набора данных. Чтобы найти предсказанную реакцию обученного ансамбля, predict принимает на среднее значение предсказаний от отдельных деревьев.

Построение N вне N наблюдения с замещающими пропусками по среднему значению 37% (1/ e) наблюдений для каждого дерева решений. Это наблюдения «вне мешка». Для каждого наблюдения oobLoss оценивает предсказание вне мешка путем усреднения по предсказаниям со всех деревьев ансамбля, для которых это наблюдение выходит из мешка. Затем он сравнивает вычисленное предсказание с истинной характеристикой для этого наблюдения. Он вычисляет ошибку вне мешка, сравнивая предсказанные отклики вне мешка с истинными откликами для всех наблюдений, используемых для обучения. Это среднее значение вне мешка является объективным оценщиком истинной ошибки ансамбля.

Классификационная margin является различием между score классификации для истинного класса и максимальной классификационной оценкой для ложных классов. Поле является вектором-столбцом с одинаковым числом строк, как и в матрице ens.X.