Bagging
用于减小方差。
使用训练数据的不同随机子集（大小常等于训练数据，采用不放回的方式进行抽取）来训练每个base model，最后对每个base model进行权重相同的vote。分类问题取众数，回归问题取均值。
并行。
希望每个base model训练得要足够好，overfit也可以。Boosting
用于减小偏差。
迭代地训练base model，每一次会根据上一次迭代中预测错误的情况修改训练样本的权重。
串行。
希望每个base model训练得比随机猜好就行。
| bagging | boosting | |
|---|---|---|
| 样本选择 | 训练集是在原始集中有放回地进行选取的，选出的各个训练集之间被认为是相互独立的（其实不是）。 | 每一轮的训练集保持不变，只是训练集中的每个样本在分类器中的权重发生了变化。权重是根据上一轮的结果进行调整的。 |
| 样例权重 | 均匀取样，每个样例权重相等。 | 根据错误率不断地调整样例权重，错误率越大则对应的权重越高。 |
| 预测函数 | 所有预测函数权重相等。 | 每个弱分类器都有相应的权重，分类误差小的分类器会有更大的权重。 |
| 并行计算 | 各个预测函数可以并行生成。 | 各个预测函数只能顺序生成。因为后一个模型的参数更新需要前一个模型的预测结果。 |
- Stacking
用于提升预测结果。
输入level-2的是level-1的预测结果。
还有一种是将level-1输出的prob的1~N列与原始数据组成新的特征向量，向量维度变为原始数据特征维度+N，再训练level-2模型。
