Bagging和Boosting集成学习的两个代表作1、Bagging算法过程：通过对训练样本进行重采样得到不同的训练样本集，得到k个训练集（k个训练集相互独立）;每个训练集训练得到k个模型，分类问题使用投票方法，回归模型使用均值方法得到最终结果。2.Boosting算法过程：不断将弱分类器强化为强分类器。最初，每个样本的权重是相等的。首先，第一个学习器根据全样本集进行学习，第二个学习器增加错误样本的权重，降低配对样本的权重，依次进行训练。最后，k模型的加权组合。bagging和boosting的区别1）样本选择和权重bagging：有放回抽样，每个训练集相互独立modelcombinationbagging:Weakmodelshaveequalweightsboosting:错误分类小的模型会有更大的权重3)parallelcomputingbagging:parallelgenerationboosting:onlyserialgeneration4)focusedbagging:reducevariance(方差)boosting:减少偏差(bias)
