集成学习里，bagging和boosting有什么不同

Bagging和Boosting都是集成学习中的技术，用于提高机器学习模型的准确性和性能。它们的主要区别在于训练模型的方式和目的。

Bagging（Bootstrap Aggregating）是通过对不同数据集的有放回抽样，构建多个相互独立的基本模型，再使用集成方法将这些模型进行结合，从而提高模型的准确性。Bagging通常用于降低模型的方差，适用于高方差的模型，如决策树等。

Boosting是指训练一系列的弱模型，并逐步将它们组合成一个高准确性的强模型。Boosting中的每个模型都将依次构建，每个新模型都会重点关注前一模型识别错误的样本，并根据它们的误差关注下一个模型的构建过程，直到达到预期的准确度为止。Boosting通过减小偏差，适用于高偏差的模型，如神经网络等。

总结来说，Bagging是并行构建多个相互独立的基本模型，而Boosting是序列化构建一系列的弱模型，并将它们组合成一个高准确性的强模型。