8.5 集成学习方法：Bagging、Boosting、Stacking原理与实现
集成学习通过构建并结合多个学习器来完成学习任务，其性能通常显著优于单一学习器，是现代机器学习工具箱中的核心组件。集成学习的有效性基于一个基本假设：多个模型的组合可以修正单个模型的错误，从而获得更稳定、更准确的预测。本节将系统阐述三种主流的集成学习范式：通过并行构建独立模型以减少方差的Bagging，通过序贯构建模型以修正偏差的Boosting，以及通过训练元模型以组合基学习器预测的Stacking。
8.5.1 集成学习基础与有效性分析
集成学习的核心思想是“集思广益”。给定一个包含mmm个样本的数据集D={ (xi,yi)}i=1mD = \{(\mathbf{x}_i, y_i)\}_{i=1}^mD={(xi,yi)}i=1m和一组基学习算法，集成学习旨在生成多个基学习器{ h1,h2,...,hT}\{h_1, h_2, ..., h_T\}{h1,h2,...,hT}，并通过某种策略（如投票法、加权平均）将它们组合成最终模型HHH。
其有效性可以从统计、计算和表示三个角度理解：
- 统计角度：当假设空间较大而数据有限时，单一学习器可能因陷入局部最优或过拟合而性能不佳。集成通过对多个可能假设进行平均，可以降低选择到错误假设的风险。
- 计算角度：许多学习算法（如决策树、神经网络）的优化过程是非凸的，受初始值影响大。通过多次运行并从不同起点开始构建模型并集成，可以逼近更好的解。
- 表示角度：真实的假设可能不在当前算法的假设空间内。通过组合多个假设空间中的模型，有可能扩展有效的假设空间，逼近更复杂的真实函数。
从偏差-方差分解的视角看，集成主要致力于降低方差（如Bagging）或降低偏差（如Boosting），从而提升泛化性能。
8.5.2 Bagging：并行自助聚合
Bagging（Bootstrap Aggregating）由Breiman于1996年提出，是一种基于自助采样法的并行式集成方法[1]。其核心是通过引入样本扰动来构建多样性，然后通过平均来稳定预测。
8.5.2.1 算法原理与步骤
给定训练集DDD和基学习算法（通常为不稳定学习器，如决策树），Bagging重复进行以下步骤TTT次：
- 自助采样：从DDD中有放回地随机抽取mmm个样本，形成一个自助采样集DtD_tDt。每次采样，每个样本未被抽中的概率为(1−1m)m≈e−1≈0.368(1 - \frac{1}{m})^m \approx e^{-1} \approx 0.368(1−m1)m≈e−1≈0.368，因此DtD_tDt中约有63.2%的原始样本。
- 基学习器训练：使用自助采样集DtD_tDt独立训练一个基学习器hth_tht。
- 结果聚合：对所有TTT个基学习器的预测进行聚合。对于分类任务，通常采用简单投票法（少数服从多数）；对于回归任务，采用简单平均法：
H(x)=1T∑t=1Tht(x)(回归) H(\mathbf{x}) = \frac{1}{T} \sum_{t=1}^{T} h_t(\mathbf{x}) \quad \text{(回归)}H(x)=T1t=1∑Tht(x)(回归)
8.5.2.2 方差减少与袋外估计
Bagging通过自助采样引入了样本扰动，使得各基学习器在不同数据子集上训练，增加了模型间的多样性（不相关性）。对于输出具有较大方差的基学习器（如深度决策树），这种对预测结果的平均操作能够有效降低整体模型的方差，从而提高泛化能力，尤其能抑制过拟合。
自助采样过程天然地产生了袋外样本（Out-Of-Bag, OOB），即未出现在某个特定自助采样集DtD_tDt<
