Bagging 和 Boosting 的相似之处：

• 两者都是从 1 个学习者那里获得 N 次学习的集成方法。
• 两者都生成几个随机抽样的训练数据集。
• 两者都通过取 N 个学习者的平均值来生成最终结果。
• 两者都减少了差异并提供了更高的可扩展性。

Bagging 和 Boosting 的区别：

• 虽然它们是独立构建的，但对于 Bagging，Boosting 尝试添加新模型，这些模型在以前的模型失败的地方表现良好。
• 只有 Boosting 才能确定数据的权重，从而使天平有利于最具挑战性的案例。
• 只有 Boosting 试图减少偏差。相反，Bagging 可以解决过拟合的问题，而 boosting 可以增加它。