Boosting和Bagging是两种机器学习提高模型精度的方法，它们都属于集成学习策略，但工作原理有所不同

Boosting

Boosting是一种迭代的方法，它通过结合多个弱分类器来创建一个强分类器。每次训练新的模型时，它会给予之前模型错误分类的数据点更高的权重，这样新模型会更加关注这些难以正确分类的样本

首先训练一个基础模型，然后评估其在训练数据上的表现，对于被分错的样本，在下一轮迭代训练时将被授予更高的权重，使得后续模型更加关注这些样本

上述过程重复多次，每次迭代都会调整样本的权重，并训练一个新的模型，最终所有模型的结果经过加权或者投票得出最终预测

Bagging

Bagging的全称是Bootstrap Aggregating，是一种并行的方法，通过创造多个数据子集（有放回抽取）来训练多个模型，然后将这些模型的结果汇总进行投票或取均值得到最终预测，例如随机森林