集成学习_Bagging 随机森林

与Boosting不同，Bagging是通过对训练数据划分，让不同模型使用不同训练集来实现学习器的差异。
Bagging采用自助采样的方法：即采用有放回采样，有些样本会重复出现，同时也能包含63.2%的样本。不同采样样本集保证了差异。

随机森林是在bagging的基础上引入了特征的随机：参数k为随机选择的特征数，推荐值为k=log2d

随着分类器数量的增加，RF的错误率显著下降到一定的数量后趋于稳定。