Bagging（Bootstrap Aggregating）是一种集成学习方法，通过Bootstrap抽样从原始数据集中构建多个训练集，进而训练多个模型。这种方法主要用于减少过拟合，提高模型稳定性。每个训练集独立生成，最终通过投票（分类问题）或平均（回归问题）得出最终预测结果。Leo Breiman在1996年的论文中首次详细阐述了这一概念。
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
2689
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
