Eine Machine-Learning-Technik, bei der die Vorhersagen mehrerer einzelner Modelle (oft "schwache Lerner" oder Varianten desselben Algorithmus) kombiniert werden (z.B. durch Mittelung, Mehrheitsentscheid), um eine robustere, genauere und zuverlässigere Gesamtvorhersage ("starkes Modell") zu erzielen. Beispiele: Bagging (Random Forests), Boosting (AdaBoost, Gradient Boosting).