bagging和boosting的思路

Bagging（Bootstrap Aggregating）和Boosting 是两种集成学习的思路。

Bagging的思路是通过对训练数据集进行有放回的随机抽样，得到多个子样本，然后使用相同的算法在每个子样本上训练出一个基模型，最后将这些基模型进行平均或投票来得到最终结果。Bagging的目的是通过降低方差来提高模型的稳定性和泛化能力。

Boosting的思路是先通过一个基模型对训练集进行拟合，然后根据预测结果对训练集进行加权，使得误分类样本的权重增加，正确分类样本的权重减小，接着使用加权后的样本重新训练一个基模型，如此重复多次，最终通过将这些基模型进行加权平均来得到最终结果。Boosting的目的是通过降低偏差来提高模型的准确性和泛化能力。

Bagging和Boosting都是集成学习的思路，它们的区别在于样本的选择和权重的更新方式。Bagging采用随机抽样和平均投票的方式，而Boosting采用加权样本和加权平均的方式。通常来说，Bagging更适合用于降低方差的问题，而Boosting更适合用于降低偏差的问题。