あるデータサイエンティストが不正取引検知モデルを構築しています。彼は「100本の決定木モデルを、トレーニングデータからランダムにサンプリングされた異なるサブセットでそれぞれ独立して並列学習させ、予測時は全モデルの多数決で最終判定する」手法を採用しました。この手法により、単一の決定木と比べて分散（Variance）が減少し、汎化性能が向上しました。この機械学習の手法を表す用語として最も適切なものはどれですか？
バギング（Bootstrap Aggregating：復元抽出による集約）は、元のトレーニングデータからランダムに復元抽出したサブセットで複数のモデルを独立・並列に学習させ、予測結果を集約（分類は多数決、回帰は平均）するアンサンブル学習の手法です。ランダムフォレストはバギングに特徴量のランダム選択を加えた代表的なアルゴリズムで、Amazon SageMakerの組み込みアルゴリズムとして利用可能です。 選択肢Aのブースティング（Boosting）は、前のモデルが誤分類したサンプルに重みを付けて逐次的にモデルを学習させる手法です。並列学習・多数決ではなく、重み付き加算が特徴です（例：XGBoost、AdaBoost）。 選択肢Cのスタッキング（Stacking）は、複数の基底モデルの予測結果をメタモデル（Meta Learner）への入力として学習させる手法です。単純な多数決ではなく、メタモデルが出力を学習で統合する点で異なります。 選択肢Dのドロップアウト（Dropout）は、ニューラルネットワークの学習中にランダムにニューロンを無効化する正則化手法であり、アンサンブル手法ではなく、決定木モデルとも無関係です。