Bagging, אשר ראשי תיבות של Bootstrap Aggregating, היא טכניקת למידת מכונה אנסמבל שנועדה לשפר את הדיוק והיציבות של אלגוריתמים, במיוחד עצי החלטה. העיקרון הראשוני מאחורי חבילת המזוודות הוא יצירת תת-קבוצות מרובות של נתוני האימון המקוריים באמצעות דגימה אקראית עם החלפה. לאחר מכן, כל אחת מתת-הקבוצות הללו משמשת לאימון מודל נפרד, והתחזיות מכל המודלים משולבות, בדרך כלל באמצעות הצבעת רוב למשימות סיווג או על ידי ממוצע במשימות רגרסיה, כדי להפיק תוצאה סופית.
החוזק של התיק נובע מהיכולת שלו להפחית שונות בתחזיות המודל. על ידי אימון על תת-קבוצות מגוונות של נתונים וצירוף התוצאות שלהם, ההשפעה של כל חריג בודד או נקודת נתונים רועשת פוחתת. זה מביא למודל שפחות סביר שיתאים יתר על המידה למוזרויות ספציפיות בנתוני האימון ומכליל טוב יותר לנתונים חדשים שלא נראים. אחד האלגוריתמים הפופולריים ביותר המשתמשים ב-bagging הוא ה-Random Forest, אשר בונה 'יער' של עצי החלטה מאומנים על תת-קבוצות של נתונים אקראיים ותת-קבוצות של תכונות.
