Bagging vs Boosting vs Stacking

集成学习三大流派。Bagging (随机森林): 基学习器并行独立训练, 每器一个 Bootstrap 自助采样集, 预测投票/平均 — 基学习器要强 (深树不剪枝), 主要降方差。Boosting (AdaBoost / GBDT / XGBoost / LightGBM): 基学习器串行依赖, 每轮聚焦上一轮残差 (负梯度伪残差) 或错分样本 (权重放大), 加权/加性组合 — 基学习器要弱 (浅树), 主要降偏差。Stacking: 异质基学习器 + 元学习器 (meta-learner), 基学习器的输出 (概率或类别) 作为元特征喂给第二层模型 (常用逻辑回归/线性模型) 学最优组合 — 不要求基学习器同质, 靠模型多样性同时压低偏差与方差; 元特征必须用交叉验证/OOF 折叠生成, 否则基学习器“见过”样本导致元特征泄漏、元模型过拟合。理论依据: 偏差-方差分解 $\text{Err} = \text{bias}^2 + \text{variance} + \sigma_\epsilon^2$; 对 $k$ 个方差 $\sigma^2$、两两相关 $\rho$ 的学习器取平均, $\text{Var}\left(\bar{f}\right) = \rho \sigma^2 + \frac{1 - \rho}{k} \sigma^2$ — Bagging 通过样本/特征随机化压低 $\rho$ 并增大 $k$ 压方差, 偏差不变; Boosting 逐轮拟合负梯度残差直接压偏差 (每轮都是弱模型, 偏差主导); Stacking 用异质性打破误差相关性, 再由元学习器学组合权重。选型口诀: 高方差场景 (数据少、模型强) 用 Bagging, 高偏差场景 (模型弱、欠拟合) 用 Boosting, 已有多个互补的强模型时用 Stacking。

“选哪个集成”“为什么随机森林不怕过拟合而 GBDT 要细调”“Stacking 为什么用 OOF”是高频对比题 — 一张对比表背熟后可作为模型选型面试的标准答题框架。

单模型要么偏差高要么方差高 — 三类集成给出三种互补的组合策略: Bagging 用“随机化 + 平均”把高方差压到 $\rho \sigma^2$ 级; Boosting 用“残差聚焦 + 加法模型”把弱模型的偏差逐轮磨平; Stacking 用“异质模型 + 元学习器”把互补的强模型拼在一起, 通常比投票/平均再准 1–2 个百分点 — 三者共享同一个偏差-方差分解框架, 可解释收益来源。

检验攻克程度：针对「Bagging vs Boosting vs Stacking」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。