版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/programmingfool5/article/details/82381657
链接：https://www.zhihu.com/question/45487317/answer/99153174 来源：知乎
这个问题很好，回答的也很好。让我重新以统计学来认知两个重点的集成学习方法：
一句话的解释，来自周志华老师的机器学习教科书（ 机器学习-周志华）：
- 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，比如GBDT在后续的子树的学习过程会修正前面的误差；
- 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。
- 随机森林(random forest)和GBDT都是属于集成学习（ensemble learning)的范畴。集成学习下有两个重要的策略Bagging和Boosting。
- Boosting的意思是这样，他通过迭代地训练一系列的分类器，每个分类器采用的样本分布都和上一轮的学习结果有关。其代表算法是AdaBoost, GBDT。
- 其实就机器学习算法来说，其泛化误差可以分解为两部分，偏差（bias)和方差(variance)。这个可由下图的式子导出（这里用到了概率论公式D(X)=E(X^2)-[E(X)]^2）。偏差指的是算法的期望预测与真实预测之间的偏差程度，反应了模型本身的拟合能力；方差度量了同等大小的训练集的变动导致学习性能的变化，刻画了数据扰动所导致的影响。这个有点儿绕，不过你一定知道过拟合。高方差的模型会趋向于过拟合，记住了太多的噪音。