Bagging和Boosting都是將已有的分類或回歸算法通過一定方式組合起來，形成一個(gè)性能更加強(qiáng)大的分類器，更準(zhǔn)確的說這是一種分類算法的組裝方法。即將弱分類器組裝成強(qiáng)分類器的方法。
一、 booststraping：意思是依靠你自己的資源，稱為自助法，它是一種有放回的抽樣方法，它是非參數(shù)統(tǒng)計(jì)中一種重要的估計(jì)統(tǒng)計(jì)量方差進(jìn)而進(jìn)行區(qū)間估計(jì)的統(tǒng)計(jì)方法（如均值、方差等）。
其核心思想和基本步驟如下：
（1）采用重抽樣技術(shù)從原始樣本中抽取一定數(shù)量（自己給定）的樣本，此過程允許重復(fù)抽樣。
（2）根據(jù)抽出的樣本計(jì)算統(tǒng)計(jì)量T。
（3）重復(fù)上述N次（一般大于1000），得到統(tǒng)計(jì)量T。
（4）計(jì)算上述N個(gè)統(tǒng)計(jì)量T的樣本方差，得到統(tǒng)計(jì)量的方差。
應(yīng)該說是Bootstrap是現(xiàn)代統(tǒng)計(jì)學(xué)較為流行的方法，小樣本效果好，通過方差的估計(jì)可以構(gòu)造置信區(qū)間等。
二、Bagging (bootstrap aggregating)
Bagging即套袋法，可譯為自主整合法，其算法過程如下：
A）從原始樣本集中抽取訓(xùn)練集。每輪從原始樣本集中使用Bootstraping的方法抽取n個(gè)訓(xùn)練樣本（在訓(xùn)練集中，有些樣本可能被多次抽取到，而有些樣本可能一次都沒有被抽中）。共進(jìn)行k輪抽取，得到k個(gè)訓(xùn)練集。（k個(gè)訓(xùn)練集之間是相互獨(dú)立的）
B）每次使用一個(gè)訓(xùn)練集得到一個(gè)模型，k個(gè)訓(xùn)練集共得到k個(gè)模型。（注：這里并沒有具體的分類算法或回歸方法，我們可以根據(jù)具體問題采用不同的分類或回歸方法，如決策樹、感知器等）
C）對(duì)分類問題：將上步得到的k個(gè)模型采用投票的方式得到分類結(jié)果；對(duì)回歸問題，計(jì)算上述模型的均值作為最后的結(jié)果。（所有模型的重要性相同）
三、Boosting
其主要思想是將弱分類器組裝成一個(gè)強(qiáng)分類器。在PAC（概率近似正確）學(xué)習(xí)框架下，則一定可以將弱分類器組裝成一個(gè)強(qiáng)分類器。
其中主要的是adaboost（adaptive boosting），即自適應(yīng)助推法。
關(guān)于Boosting的兩個(gè)核心問題：
1）在每一輪如何改變訓(xùn)練數(shù)據(jù)的權(quán)值或概率分布？
通過提高那些在前一輪被弱分類器分錯(cuò)樣例的權(quán)值，減小前一輪分對(duì)樣例的權(quán)值，來使得分類器對(duì)誤分的數(shù)據(jù)有較好的效果。
2）通過什么方式來組合弱分類器？
通過加法模型將弱分類器進(jìn)行線性組合，比如AdaBoost通過加權(quán)多數(shù)表決的方式，即增大錯(cuò)誤率小的分類器的權(quán)值，同時(shí)減小錯(cuò)誤率較大的分類器的權(quán)值。
而提升樹通過擬合殘差的方式逐步減小殘差，將每一步生成的模型疊加得到最終模型。
gradient boosting：
boosting是一種思想，Gradient Boosting是一種實(shí)現(xiàn)Boosting的方法，它的主要思想是，每一次建立模型，是在之前建立模型損失函數(shù)的梯度下降方向。損失函數(shù)描述的是模型的不靠譜程度，損失函數(shù)越大，說明模型越容易出錯(cuò)。如果我們的模型能夠讓損失函數(shù)持續(xù)的下降，說明我們的模型在不停的改進(jìn)，而最好的方式就是讓損失函數(shù)在其梯度的方向下降。
Bagging和Boosting的區(qū)別：
1）樣本選擇上：
Bagging：訓(xùn)練集是在原始集中有放回選取的，從原始集中選出的各輪訓(xùn)練集之間是獨(dú)立的。
Boosting：每一輪的訓(xùn)練集不變，只是訓(xùn)練集中每個(gè)樣例在分類器中的權(quán)重發(fā)生變化。而權(quán)值是根據(jù)上一輪的分類結(jié)果進(jìn)行調(diào)整。
2）樣例權(quán)重：
Bagging：使用均勻取樣，每個(gè)樣例的權(quán)重相等
Boosting：根據(jù)錯(cuò)誤率不斷調(diào)整樣例的權(quán)值，錯(cuò)誤率越大則權(quán)重越大。
3）預(yù)測(cè)函數(shù)：
Bagging：所有預(yù)測(cè)函數(shù)的權(quán)重相等。
Boosting：每個(gè)弱分類器都有相應(yīng)的權(quán)重，對(duì)于分類誤差小的分類器會(huì)有更大的權(quán)重。
4）并行計(jì)算：
Bagging：各個(gè)預(yù)測(cè)函數(shù)可以并行生成
Boosting：各個(gè)預(yù)測(cè)函數(shù)只能順序生成，因?yàn)楹笠粋€(gè)模型參數(shù)需要前一輪模型的結(jié)果。
在大多數(shù)數(shù)據(jù)集中，boosting的準(zhǔn)確性要比bagging高。有一些數(shù)據(jù)集總，boosting會(huì)退化-overfit。boosting思想的一種改進(jìn)型adaboost方法在郵件過濾，文本分類中有很好的性能。
四、總結(jié)
這兩種方法都是把若干個(gè)分類器整合為一個(gè)分類器的方法，只是整合的方式不一樣，最終得到不一樣的效果，將不同的分類算法套入到此類算法框架中一定程度上會(huì)提高了原單一分類器的分類效果，但是也增大了計(jì)算量。
下面是將決策樹與這些算法框架進(jìn)行結(jié)合所得到的新的算法：
1）Bagging + 決策樹 = 隨機(jī)森林
2）AdaBoost + 決策樹 = 提升樹
3）Gradient Boosting + 決策樹 = GBDT
參考文獻(xiàn)：
1、快速理解bootstrap,bagging,boosting-三個(gè)概念（CSDN博客， 作者：wangqi880）
2、Bagging和Boosting 概念及區(qū)別（博客園， 作者：liuwu265）
