バギング（Bagging; Bootstrap Aggregating）は、予測精度を高めたり、予測の信頼性を確認したりするための手法です。ニューラルネットワークやパーティション（分類木・回帰木）などの、不安定なモデルに対して特に役立ちます。
バギングでは、元データから復元抽出をM回行います。抽出されたデータセットのサイズは、元のデータセットのサイズと同じです。次に、抽出された各データセットにモデルをあてはめます。その結果、元のデータセットの各行に対してM個の予測が生成されます。最終的な予測値は、M個の予測の平均値になります。
バギングは、多くの分析プラットフォームで使用できます。バギングを使用するには、「予測プロファイル」の赤い三角ボタンをクリックし、メニューから［バギング予測の保存］を選択します。「バギング」ウィンドウが開き、次のオプションが表示されます。
［小数の重み］で生成される重みは、全体では標本サイズと同じになるようになっています。［小数の重み］では、ブートストラップの各抽出において、各データ行に対して小数の重みが求められますが、これらの重みの合計は、モデルの推定で使用された標本サイズnになっています。重みの計算方法の詳細については、「ブートストラップ」章の「小数の重みの計算」（337ページ）を参照してください。
バギングを実行すると、元のデータテーブルに新しい列が自動的に作成されます。M回の各抽出から得られたそれぞれの予測式は、非表示の列として保存されます。それらの平均である最終的な予測値は、「予測式 <列名> バギング平均」という列名で保存されます。最終的な予測値の標準偏差は、「標準偏差 <列名> バギング」という列名で保存されます。最終的な予測値の標準誤差は、「標準誤差 <列名> バギング平均」という列名で保存されます。標準誤差は、標準偏差を
で割った値です。なお、「<列名>」は、バギングの対象となっている応答変数の列名です。
で割った値です。なお、「<列名>」は、バギングの対象となっている応答変数の列名です。標準誤差は、予測精度を検討するために役立ちます。標準誤差がごく小さい場合は、そのデータ行に対する予測が精確であることを表します。バギングの詳細については、Hastie et al.（2009）を参照してください。
図3.17 バギングの列
