Agregacja, agregacja bootstrapowa, agregacja przykładów wstępnych (ang. bagging, od bootstrap aggregating) – metaalgorytm uczenia maszynowego zaprojektowany w celu zwiększenia stabilności i dokładności algorytmów klasyfikacji i regresji, a także zmniejszenia wariancji i przeuczenia. Metody tej zwykle używa się wobec drzew decyzyjnych, jednak można ją stosować również wobec innych metod. Agregacja jest szczególnym przypadkiem metody uśredniania zespołowego.
Opis techniki Dla zbioru uczącego o liczebności , agregacja polega na wygenerowaniu nowych zbiorów uczących , każdy o rozmiarze , poprzez pobieranie próbek z ze zwracaniem (co oznacza, że niektóre obserwacje mogą się powtarzać). Jeśli , wtedy dla dużych , że zbiór będzie zawierać około 63,2% (1 – 1/e) unikalnych obserwacji, zaś reszta to duplikaty. Tego rodzaju próbkę nazywa się próbką bootstrapową. Próbkowanie ze zwracaniem sprawia, że każda próbka bootstrapowa jest niezależna od innych, ponieważ jej skład nie zależy od składu poprzednio pobranych próbek.