数据分析面试总结之-----Bagging和随机森林常见面试题整理

阅读之前看这里 👉：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。
博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。

目录

• 1.Bagging思想的核心理念是通过有放回抽样生成多组数据集，并基于这些数据集构建多个基础模型以降低方差。
• 集成学习框架中将多个弱估计器组合在一起达到提升性能的目的。
• 影响随机森林分类效果的主要要素包括基树数量、特征选择策略以及树的深度设置等关键参数。
• 分析集成学习的优势及局限性有助于全面认识其在实际应用中的表现特征。
• 探讨集成学习框架下缺失数据的处理策略对于提升模型鲁棒性具有重要意义。
• 考察集成学习模型在欠拟合与过拟合边界的表现特征有助于优化模型性能。

1.Bagging思想

Bootstrap aggregating（即Bagging）是一种集成学习方法。其核心思想在于从原始数据集中有放回地随机抽取子集进行训练，并通过反复抽取子集并训练模型后综合预测结果以获得最终预测值。这种方法能够有效规避掉那些异常或噪声数据的影响，在集成过程中降低单一模型的方差和偏差波动程度。尽管个别模型可能会受到噪声