Bagging 的基本流程就是采样出 个含 个训练样本的采样集，然后给予每个采样集训练出一个基学习器，再将这些基学习器进行结合。

结合预测输出的常用方法

• 分类任务：投票法
• 回归任务：平均法

若分类预测时出现两个类收到同样票数的情形，最简单的做法是随机选择一个，也可以进一步考察学习器投票的置信度来确定最终胜者。其伪代码如下

输入：训练集 ，基学习算法 ，训练轮数

输出：

过程：

• • // 是自助采样产生的样本分布

• Bagging 能不经修改地用于多分类、回归等任务
• Bagging 的计算复杂度与直接使用基学习算法训练一个学习器的复杂度同阶
• 从偏差-方差分解的角度看，Bagging 主要关注降低方差，在易受样本扰动的学习器上效果明显。