集成学习-bagging

1.Bagging（Bootstrap AGGregating, 装袋）算法族介绍
Bagging 是一种个体学习器之间不存在强依赖关系，可同时生成的并行式集成学习方法。

（1）Bagging算法原理

Bagging即套袋法，是一种采用自助采样法（bootstrap）的集成学习算法。自助采样法是一种有放回的抽样方法，目的为了得到统计量的分布以及置信区间，其算法过程如下：

（a）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）。

（b）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。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）。

（c）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，若分类预测时两类获得相同票数时，最简单的方法是任选其一；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

随机森林（Random Forest，简称RF）是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。

构造随机森林的4个步骤：

（a）假如