Bagging 模型为什么要进行抽样？

1.Bagging 模型为什么要进行抽样？

Bagging 模型是基于同样类型的基学习器进行集成学习，如果不进行
抽样，那么所有的基学习器都学习了同样的数据，模型之间就没有不
同，模型必须具有一定的差异性，才能更大程度提升整个模型的准确
度，通过数据抽样的方式，让基学习器学习不同的数据，从而生成具
有差异性的基学习器。

2.有放回抽样和无放回抽样的区别是什么？

有放回抽样：在一轮抽样期间，每次抽完一个数据，就立马将该数据放回。
如果一轮要抽样n个数据，那么就会有n次数据的放回动作。

无放回抽样：数据只有到一轮抽样结束后，才可能被放回。

3.什么是包外数据？它有什么用处？

如果采用有放回的抽样方式，那么通过概率学统计，大概有 37%的数据会
一直没有被抽取到。这些数据被称为包外数据，他们可以用来对模型进行
预测和评估。使用oob_score属性来进行测试计算得分

4.Bagging 为什么可以做并行化运行？

Bagging 的基学习器之间是相互独立，没有依赖关系的，所以可以做 
并行化。