集成学习是一大类模型融合策略和方法的统称，以下以bagging和boosting为例进行说明：
1、boosting
- boosting方法训练分类器采用串行的方式，每个弱分类器之间是相互依赖的，尤其后一个弱分类器是依赖于前一个分类器的分类结果而构建的
- 此方法的基本思想是在每一层训练时，对前一层基分类器分错的样本，基于更高的权重，测试时，根据各层分类器的结果加权得到最终结果，即boosting方法的中心思想是进行迭代学习。
2、bagging
- bagging采用并行的方式进行弱分类器的训练，各个弱分类器之间相互独立，对训练集采用又放回的抽样为每个弱分类器构建训练子集。
- 对于预测样本，采取投票表决的方式进行最后的分类。
以方差和偏差的角度来看待两个方法，集成学习的误差来源于偏差和方差之和，boosting基于逐步迭代聚焦于错分类的样本，减少集成学习的偏差，而bagging基于多个模型独立训练，利用多数表决以减少方差的方式来对集成模型进行优化。
如何解释bagging的减少方差和boosting的减少方差？
