# Bagging、Boosting 与偏差方差

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 12 章 集成学习
- 页码线索：278-289
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：ensemble, bias-variance, random-forest

## 面试问题

如何从偏差和方差角度解释 Bagging 和 Boosting？

## 30 秒回答

Bagging 通过并行训练多个基模型并平均，主要降低方差；Boosting 串行关注前一轮错误样本，逐步降低偏差，也可能增加过拟合风险。

## 展开要点

- 随机森林是 Bagging 思想的代表。
- Boosting 通过加法模型逐步拟合残差或错误。
- 偏差高表示模型太简单，方差高表示模型对数据扰动敏感。
- 集成的收益来自基模型多样性和误差互补。

## 高频追问

- 随机森林为什么降低方差？
- Boosting 为什么可能过拟合？
- 基分类器是否越强越好？

## 项目映射

- 用表格数据风控/广告/推荐粗排讲树集成。
- 把多模型路由类比为集成思想，但要注意成本和一致性。

## AI PM 迁移

AI PM 可把集成思想迁移到模型组合：多个弱信号如何形成稳定决策。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。