bagging 与boosting的联系与区别

区别：
1、样本选择上。bagging使用自助采样方法每轮抽取局部数据训练基模型，boosting使用全部样本训练基模型。
2、样例权重。bagging中每个样本所占的权重是一样的，boosting中开始时样本权重一样，但在每轮的训练中会减小分类正确的样本的权重，增大分类错误的样本的权重。
3、模型是否并行。bagging可以并行训练模型，boosting不能并行，一个模型训练完成之后才能训练下一个模型。
4、基模型的结合策略不同。bagging是通过投票（分类时）或求均值（回归），基模型的重要性相同。boosting是将基模型加权融合，基模型的重要性不同。
5、降低方差还是偏差。bagging通过降低方差，boosting依靠降低偏差来提升预测精度。boosting逐步地最小化损失函数，逐步降低偏差，但由于各个基模型之间是强相关的，基模型之和不能显著降低方差。（随机森林与bagging的区别，随机森林有特征采样，每个基模型使用随机选取的部分特征进行训练）

联系：
1、都是通过基模型结合获得强模型的集成方法。
2、基模型的类别一般来说是一样的。