这里只简单记录所提方法的基本原理和区别，如果想深入学习请移步。

机器学习中的集成方法主要分为两种：Bagging和Boosting。从名称上可以得出大概的判断，Bagging无论是从数据的构造或者是模型的组合形式上来说，都是以袋装的方式进行的，也就是说此算法的基模型是相对独立的，可以并行得到。而对于Boosting来讲，是需要一步步来提升算法的性能，对于涉及到的提升思路而言也可以大致分为两类：（1）数据入手，如adaBoost使用的是改变数据分布来产生不同的模型；（2）结果入手，从对残差的拟合，逐步得到提升模型。

Bagging

• 原始的Bagging方法这里将给出一个算法过程：引用链接（https://www.cnblogs.com/earendil/p/8872001.html）
  (1)从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到（有放回的抽取），而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
  (2)每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
  (3)对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）
• 随机森林（RF）是Bagging的一个扩展变体
  RF是以决策树为基学习器构建Bagging集成的基础上，进一步在决策树训练的过程中引入了随机属性选择。具体来说，传统的决策树在选择划分属性时是在当前节点的属性集合（假设共包含d个属性）中选择一个最优属性；而在RF中，对基决策树的每个结点，先从该结点的属性集合中随机选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分。k控制了随机性的引入程度，推荐值k=log2(d).（摘自西瓜书）

Boosting

引用链接（http://www.360doc.com/content/18/0101/17/40769523_718161675.shtml）

• AdaBoost原理
  原始的AdaBoost算法是在算法开始的时候，为每一个样本赋上一个权重值，初始是一样重要的。在每一步训练中得到的模型，会使得数据点的估计有对有错，就在每一步结束后，增加分错的点的权重，减少分对的点的权重，这样使得某些点如果老是被分错，那么就会被“重点关注”。然后等进行了N次迭代（由用户指定），将会得到N个简单的分类器（basic learner），然后我们将它们组合起来（比如加权、投票等），得到一个最终的模型。
• GBDT原理
  GBDT（Gradient Boosting Decison Tree）中的树都是回归树，GBDT用来做回归预测，调整后也可以用于分类（设定阈值，大于阈值为正例，反之为负例），可以发现多种有区分性的特征以及特征组合。GBDT是把所有树的结论累加起来做最终结论的，GBDT的核心就在于，每一棵树学的是之前所有树结论和的残差(负梯度)，这个残差就是一个加预测值后能得真实值的累加量。
  Boosting的最大好处在于，每一步的残差计算其实变相地增大了分错instance的权重，而已经分对的instance则都趋向于0。这样后面的树就能越来越专注那些前面被分错的instance。

比如A的真实年龄是18岁，但第一棵树的预测年龄是12岁，差了6岁，即残差为6岁。那么在第二棵树里我们把A的年龄设为6岁去学习，如果第二棵树真的能把A分到6岁的叶子节点，那累加两棵树的结论就是A的真实年龄；如果第二棵树的结论是5岁，则A仍然存在1岁的残差，第三棵树里A的年龄就变成1岁，继续学。

• XGBoost
  XGBoost能自动利用cpu的多线程，而且适当改进了gradient boosting，加了剪枝，控制了模型的复杂程度。传统GBDT以CART作为基分类器，特指梯度提升决策树算法，而XGBoost还支持线性分类器(gblinear)，这个时候XGBoost相当于带L1（树的叶子节点个数）和L2（每个叶子节点上输出的score的L2模的平方和）正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
  传统GBDT在优化时只用到一阶导数信息（对残差进行拟合时使用的是负梯度），XGBoost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。
  
  XGBoost-Obj.png

总结

Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成；Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。（摘自西瓜书）