Bagging (bootstrap aggregating)即套袋法
大多数提到使用 Bagging 算法的论文或文章都会引用 Leo Breiman,他曾经写过一篇论文《Bagging Predictors》(1996)
Bagging 的作用是降低只在训练数据上准确率较高的模型的方差——这种情况也叫作过拟合。
主要作用是降低方差,即减少过拟合。
1.从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本(在训练集中,有些样本可能被多次抽取到,而有些样本可能一次都没有被抽中)。共进行k轮抽取,得到k个训练集。(k个训练集之间是相互独立的)
2.每次使用一个训练集得到一个模型,k个训练集共得到k个模型。
3.对分类问题:将上步得到的k个模型采用投票的方式得到分类结果;对回归问题,计算上述模型的均值作为最后的结果。
参考:
https://www.jianshu.com/p/369e3f4d239f
https://www.sohu.com/a/206543058_465975