1、boosting与bagging的概念：
（1）bagging：从原始数据中随机抽样得到S个同样大小的数据集，来训练S个基学习器，各学习器之间互不依赖。是一种并行的方法。
各分类器的权重都是相等的。分类结果是用这S个分类器进行分类，选择分类器投票结果中最多的类别作为最后的分类结果。
（抽样方法为有放回的抽样：允许每个小数据集中可以有重复的值。）
bagging对于弱学习器没有限制，这和Adaboost一样。但是最常用的一般也是决策树和神经网络。
bagging的集合策略也比较简单，对于分类问题，通常使用简单投票法，得到最多票数的类别或者类别之一为最终的模型输出。对于回归问题，通常使用简单平均法，对T个弱学习器得到的回归结果进行算术平均得到最终的模型输出。
优点：
a.算法每次都进行采样来训练模型，泛化能力很强，对于降低模型的方差很有作用，当然对于训练集的拟合程度就会差一些，也就是模型的偏倚会大一些；
b.训练一个Bagging集成与直接使用基学习算法训练一个学习器的复杂度同阶，高效；
c.标准的AdaBoost只适用于二分类，Bagging能直接用于多分类，回归等任务；
d.因为自助采样，每个基学习器只使用了出事训练集中约63.2%的样本，剩下的样本(36.8%称为OOB)可以用作验证集等等。
（2）boosting：用所有的数据去训练基学习器，个体学习器之间存在依赖关系，每一个学习器都是基于之前训练的学习器的结果，串行训练，集中关注被错分的数据，来获得新的学习器，达到提升的效果。（通俗来说，就是每次都只学习一点，然后一步步的接近最终要预测的值。）
分类的结果是基于所有分类器的加权求和结果的，分类器的权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。
优点：泛化误差低，易实现，分类准确率较高，可调参数少；
缺点：对离群点比较敏感。
两者相同点：所使用的分类器的类型都是一致的。
2、为什么说bagging是减少方差variance，而boosting是减少偏差bias?
（1）Bagging对样本重采样，对每一重采样得到的子样本集训练一个模型，最后取平均。由于子样本集的相似性以及使用的是同种模型，因此各模型有近似相等的bias和variance（事实上，各模型的分布也近似相同，但不独立）。bagging方法得到的各子模型是有一定相关性的，属于上面两个极端状况的中间态，因此可以一定程度降低variance。（降低variance，预测更集中）
（2）因此boosting是在sequential（串联）地最小化损失函数，其bias自然逐步下降。但由于是采取这种sequential、adaptive的策略，各子模型之间是强相关的，于是子模型之和并不能显著降低variance。所以说boosting主要还是靠降低bias来提升预测精度。（降低bias，预测更准）
（3）直观解释
boosting是把许多弱的分类器组合成一个强的分类器。弱的分类器bias高，而强的分类器bias低，所以说boosting起到了降低bias的作用。variance不是boosting的主要考虑因素。
bagging是对许多强（甚至过强）的分类器求平均。在这里，每个单独的分类器的bias都是低的，平均之后bias依然低；而每个单独的分类器都强到可能产生overfitting的程度，也就是variance高，求平均的操作起到的作用就是降低这个variance。
3、二者主要区别
- 样本选择上：Bagging采用的是Bootstrap随机有放回抽样；而Boosting每一轮的训练集是不变的，改变的只是每一个样本的权重。
- 样本权重：Bagging使用的是均匀取样，每个样本权重相等；Boosting根据错误率调整样本权重，错误率越大的样本权重越大。
- 预测函数：Bagging所有的预测函数的权重相等；Boosting中误差越小的预测函数其权重越大。
- 并行计算：Bagging各个预测函数可以并行生成；Boosting各个预测函数必须按顺序迭代生成。
4、下面是将决策树与这些算法框架进行结合所得到的新的算法：
1）Bagging + 决策树（CART） = 随机森林
2）AdaBoost + 决策树 = 提升树
3）Gradient Boosting + 决策树 = GBDT
5、学习器结合可能带来的好处
（1）提高泛化能力 （2）减低局部最优风险 （3）假设空间扩大，更好相似。
6、模型融合的方法/策略
（1）平均法：对于数值类的回归预测问题，通常使用的结合策略是平均法，也就是说，对于若干个弱学习器的输出进行平均得到最终的预测输出。
（2）投票法：最简单的投票法是相对多数投票法，也就是我们常说的少数服从多数。
（3）学习法：stacking（这一层的输出作为下一层的输入数据的一部分）
当使用stacking的结合策略时， 我们不是对弱学习器的结果做简单的逻辑处理，而是再加上一层学习器，也就是说，我们将训练集弱学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果。
7、常见融合框架的原理；优缺点；融合一定会提升性能么？为什么融合可能会提高预测效果？
原理：多个比一个好+保证准确度、防止过拟合+弱学习器明显+好而不同
常见：bagging(并行+少方差)，boosting（串行+少偏差），stacking（输出–>输入）
不一定，好而不同
模型有差异、体现不同表达能力
