task05
1.集成学习（弱分类器变为强分类器）
bagging（自助有放回抽样）
boosting（叠加式）
stacking（把模型1的结果作为模型2的输入）
1.什么是bootstraps
利用有限的样本经由多次重复抽样，是非参数统计方法，其实质是对观测信息进行再抽样，进而对总体的分布特性进行统计推断
bootstraps与bagging的联系
bagging用了bootstraps方法，抽样建立了很多弱学习器，减低模型方差
什么是bagging
bagging是投票式算法，首先使用Bootstrap产生不同的训练数据集，然后再分别基于这些训练数据集得到多个基础分类器，最后通过对基础分类器的分类结果进行组合得到一个相对更优的预测模型
随机森林
bagging+特征采样，每次采样建立一个弱学习器，若是分类问题，以投票的方式输出最终类别，若是回归问题， 每一颗决策树输出的均值作为最终结果，可以用CART模型，也可用ID3模型
利用方差和偏差理论阐述bagging模型为什么会提升预测精度
