简述Boost，Bagging，RandomForest这三种方法的基本思想，异同。

Boosting，Bagging和Random Forest都是集成学习的方法。

Boosting是一种类似于迭代的方法，它通过串行训练弱分类器，然后根据前一次分类器的表现来调整样本权重，使得下一次分类器更加关注先前分类器分类错误的样本，从而提高整体的分类性能。

Bagging是并行训练多个弱分类器，每个分类器都是由不同的随机样本集训练得到，最终将多个分类器的结果进行投票或平均得到最终结果，从而减少了过拟合的风险。

Random Forest是一种特殊的Bagging方法，它在Bagging的基础上加入了随机特征选择的策略。在每个分类器的训练过程中，只考虑其中的一部分特征，从而增强了分类器的泛化性能。

它们的区别在于：

- Boosting和Bagging是串行和并行的方法，而Random Forest基于Bagging并加入了随机特征选择的策略。
- Boosting主要是针对分类错误的样本进行调整，Bagging则是通过随机样本集来减少过拟合的风险。
- Random Forest在Bagging的基础上加入了随机特征选择的策略，从而提高了泛化性能。