bagging and boosting

bagging 侧重于降低方差

1. 方差-variance
   方差描述的是预测值的变化范围，离散程度，也就是离期真实值的距离。方差过大表现为过拟合，训练数据的预测f-score很高，但是验证或测试数据的预测f-score低很多。实际应用中表现为对新数据的泛化能力弱。例如：一个模型学习加减法运算，模型记忆能力非常好，对他所有训练过的数据，他都能做出精准的运输，但是一旦看到他没有见过的数据，就算不出来了。模型记住了历史的学习结果，但是没有真正掌握加减法运算规律；属于死记硬背的模型，不能灵活运用，这就过拟合了。

boosting 侧重于降低偏差

1. 偏差-bias
   偏差描述预测值与真实值之间的差距。偏差过大表现为欠拟合，训练数据和验证数据的预测accuracy或f-score过低。实际应用中表现为对数据的预测能力不准确。例如：一个模型学习加减法运算，他根本没有学会加减运算，你给他再多的训练数据，还是老样子，就是不会，老实算错，就算你给他训练过的数据都是这样的。欠拟合。

bagging and boosting 区别在于的取样方式不同