Biorąc pod uwagę zestaw treningowy = ,..., z odpowiedziami = ,..., , wielokrotna agregacja (razy B) wybiera losową próbę z wymianą zestawu treningowego i dopasowuje do niej drzewa:

Dla = 1,..., : Próba, z wymianą, przykładów szkoleniowych z , ; nazwijmy je , . Trenuj drzewo klasyfikacyjne lub regresyjne na , .

Po szkoleniu prognozy dla niewidocznych próbek mogą być wykonane przez uśrednienie prognoz ze wszystkich poszczególnych drzew regresji na :

lub biorąc głos większości w przypadku drzew klasyfikacyjnych.

Ta procedura prowadzi do lepszej wydajności modelu, gdyż zmniejsza wariancję modelu bez zwiększania obciążenia. Oznacza to, że podczas gdy przewidywania pojedynczego drzewa są bardzo wrażliwe na szum w zestawie treningowym, średnia wielu drzew nie jest taka, tak długo, jak długo drzewa nie są skorelowane. Wyszkolenie wielu drzew na pojedynczym zbiorze treningowym dawałoby silnie skorelowane drzewa (lub nawet to samo drzewo wiele razy, jeśli algorytm treningowy jest deterministyczny);