bagging是一种用来提高学习算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。
它使用bootstrap抽样，
其基本思想是：将一个弱学习算法使用多次（每次使用一个放回的重复抽样），并对结果进行投票，最后选取投票多的结果作为最终的结果（也可以通过得票的平均值用于连续值的预测）。
bagging对使用的分类算法有要求，必须为不稳定的算法（不稳定是指数据集的小的变动能够使分类结果显著的变动）比如：决策树，神经网络算法、svm等。
与随机森林区别
1.循环t次随机的有放回的选取N个样本形成t个训练集也是只Bootstrap中随机选择子样本
2.对这t个训练集选取m个特征（小于总特征数）建立多个决策树（每个数都随机选取m个，完全生长，不剪枝），每个节点分裂选取属性的方式用cart的方式选择最优
3.选取结果多的类别作为最终分类结果
一般来说随机森林算法优于bagging算法