总结：
Bagging 和 Boosting 是集成学习中的两种重要方法，旨在提升模型性能。Bagging 通过并行训练多个弱模型并进行投票或平均，降低方差；Boosting 则通过串行训练模型，逐步修正错误，降低偏差。两者在实现方式、适用场景和效果上各有不同。
| 特性 | Bagging | Boosting |
| 训练方式 | 并行训练多个模型 | 串行训练，逐步优化 |
| 目标 | 降低方差，防止过拟合 | 降低偏差，提高精度 |
| 模型类型 | 同类模型（如决策树） | 可为不同类型模型 |
| 代表性算法 | 随机森林 | AdaBoost、XGBoost |
| 适用场景 | 数据噪声多、模型不稳定 | 数据复杂、模型欠拟合 |
通过合理选择，可有效提升模型的泛化能力与预测效果。
