Boosting 与 Bagging 的区别与选用
哪些公司问过
答案要点
- 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
- 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
- 基学习器方差大、易过拟合用 Bagging;偏差大、欠拟合用 Boosting
- 数据噪声大时 Boosting 会放大噪声,Bagging 更鲁棒
- 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
- 把两者的并行和串行说反
- 说不出降方差和降偏差的区别
- 忽略 Boosting 对噪声的敏感性
面试官常见追问
- 为什么 Bagging 能降低方差?
- Boosting 为什么对噪声敏感?
- 随机森林和 Bagging 有什么区别?
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。