bootstrap sampling

自助采样 （bootstrap sampling）是一种抽样方法，常用在机器学习中。给定 m 个样本的数据集 D, 我们对他进行采样产生数据集 $D^{,}$ ，每次随机从D 中挑选一个样本，将其拷贝放入 $D^,$ ,然后再将该样本放回初始数据集 D 中，使得该样本在下次采样中仍有可能被采样到，这个过程执行m次以后，我们就得到了包含 m个样本的数据集 $D^.$ ,这就是数据采样的结果。
m 次采样中始终不被采到的概率是$\left(1- \frac{1}{m}\right)^m$ ,取极限得到
$\lim_{m \to \infty}\left(1- \frac{1}{m}\right)^m =\frac {1}{e} \approx 0.368$

即通过自助采样，初始数据集中大约有 36.8% 的样本未出现在采样数据集 $D^{,}$ 中。