bagging和boosting的区别和联系

bagging和boosting是两种不同的集成学习方法。

bagging（ bootstrap aggregating ）是通过从样本数据中有放回地抽取样本来训练多个分类器，然后对这些分类器的预测结果进行结合来降低单个分类器的方差，从而提高分类器的稳定性和准确性。

boosting则是通过让弱分类器不断地去学习先前分类器分错的样本权值较大的样本，来逐渐提升分类器的准确性。 Boosting算法通常把多个弱学习算法集成在一起, 每个弱学习算法根据之前的分类器的性能来决定其权重,以保证整体分类器性能最优。

总结来说， bagging 是通过并行来增强模型的稳定性，而 boosting则是通过串行来增强模型的准确性.