BaggingClassifier

写在前面

Ensemble methods 组合模型的方式大致为四个：/bagging / boosting / voting / stacking ，此文主要简单叙述 bagging算法。

---

算法主要特点

Bagging:

• 平行合奏：每个模型独立构建
• 旨在减少方差，而不是偏差
• 适用于高方差低偏差模型（复杂模型）
• 基于树的方法的示例是随机森林，其开发完全生长的树（注意，RF修改生长的过程以减少树之间的相关性）

---

接下来进入主题

Bagging 算法：

WIKI百科：
Bagging算法 （英语：Bootstrap aggregating，引导聚集算法），又称装袋算法，是机器学习领域的一种团体学习算法。最初由Leo Breiman于1994年提出。Bagging算法可与其他分类、回归算法结合，提高其准确率、稳定性的同时，通过降低结果的方差，避免过拟合的发生。

---

实现原理：

1. 数学基础