面试题库 › 算法 / 大模型 › Boosting 与 Bagging 的区别与选用

Boosting 与 Bagging 的区别与选用

难度 ★★☆在 7 场真实面经中被问到 方向:算法 / 大模型考点:树模型与集成学习

哪些公司问过

阿里巴巴2美团1京东1今日头条1

常见岗位:机器学习算法(泛)、推理部署与加速、推荐搜索广告

答案要点

  1. Bagging 并行训练,有放回采样,投票或平均,主要降低方差,代表随机森林
  2. Boosting 串行训练,关注前一轮错误,加权组合,主要降低偏差,代表 AdaBoost、GBDT、XGBoost
  3. 基学习器方差大、易过拟合用 Bagging;偏差大、欠拟合用 Boosting
  4. 数据噪声大时 Boosting 会放大噪声,Bagging 更鲁棒
  5. 数据量大特征多时 Bagging 可并行更高效;追求精度的结构化数据常用 Boosting

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题