Bagging je metódou v oblasti strojového učenia, ktorá kombinuje predpovede rôznych modelov s cieľom zlepšiť ich presnosť. Bagging pozostáva z dvoch častí a to bootstrappingu a agregácie. Metóda bootstrappingu je založená na výbere náhodných vzoriek zo vstupných údajov, na ktorých sa trénuje konkrétny model strojového učenia. 

Na základe výsledkov, resp. predpovedí z bootstrappingu sa v každom modeli prechádza agregáciou, ktorá kombinuje všetky možné predpovede do jedného výsledného výstupu, zohľadňujúc tak všetky možnosti. Vďaka kombinácii bootrappingu a následnej agregácie zvyšuje bagging výkonnosť modelovania s presnejšími predpoveďami. Najpoužívanejší algoritmus baggingu je metóda random forest, ktorá kombinuje niekoľko rozhodovacích stromov, vďaka čomu sa dosiahne presnejší a stabilnejší výsledok.