如果学习任务的假设空间往往很大，可能有多个假设在训练集上达到同等性能，此时若使用单学习器可能因为误选而导致泛化性能不佳，结合多个学习器则会减小这一风险

学习算法往往会陷入局部极小，有的局部极小点所对应的泛化性能可能很糟糕，而通过多次运行之后进行结合，可降低陷入糟糕局部极小点的风险

某些学习任务的真实假设可能不在当前学习算法所考虑的假设空间，此时若使用但学习器肯定无效，而通过结合多个学习器，由于相应的假设空间有所扩大，有可能学得更好的近似