Estymacja Out-of-bag (OOB) to metoda pomiaru błędu predykcji stosowana w modelach uczenia maszynowego wykorzystujących agregację bootstrapową (bagging), takich jak lasy losowe. W procesie tworzenia każdego drzewa decyzyjnego około jedna trzecia danych treningowych nie jest uwzględniana w próbie bootstrapowej i stanowi tzw. próbkę out-of-bag. Dane te służą jako wewnętrzny zestaw testowy, na którym oceniane są prognozy modeli, co pozwala na uzyskanie nieobciążonego oszacowania błędu. Dzięki temu podejściu estymacja OOB eliminuje konieczność stosowania oddzielnego zbioru walidacyjnego lub walidacji krzyżowej.
Out-of-bag (OOB) estymacja (OutOfBag)
