装袋法 (Bagging)
Parent: ai_keywords
装袋法 (Bagging)
核心定义
装袋法（Bootstrap Aggregating，简称Bagging）是一种集成学习（Ensemble Learning）算法。其核心思想是通过对原始训练集进行有放回抽样（Bootstrap Sampling），生成多个大小与原数据集相同的训练子集，分别独立训练多个基学习器（如决策树、支持向量机等），最终通过投票（分类任务）或平均（回归任务）融合所有基学习器的输出，获得比单一模型更稳定、泛化能力更强的强学习器。
关键技术点
- Bootstrap抽样：从原始数据集中随机有放回抽取样本，每个子集的大小与原数据集一致。这使得每条样本在某个子集中可能重复出现，也可能不被抽中（约占原样本的36.8%，形成“袋外”样本OOB，可用于无偏评估）。
- 并行训练与独立性：各基学习器基于不同子集并行训练，互不影响。由于抽样差异，基学习器之间的误差相关性降低，集成后通过平均效应大幅减小模型方差（Variance），从而抑制过拟合。
- 聚合策略：分类任务采用多数投票（对于二分类则按得票比例），回归任务采用简单平均。该策略能抵消单一模型对噪声的过敏感。
- 对不稳定的基学习器增益显著：Bagging尤其适用于高方差、低偏差的算法（如未剪枝的决策树、深层神经网络）。例如随机森林（Random Forest）正是Bagging + 决策树 + 随机特征子空间的经典扩展。
医学/神经科学应用场景（以首都医科大学神经病学研究为例）
在癫痫发作自动检测中，脑电图（EEG）信号常包含大量个体差异和伪迹。首都医科大学神经病学团队利用Bagging集成机器学习模型，基于EEG时间‑频率特征（如棘慢波、节律性δ活动）进行癫痫发作分类。具体流程：
- 对每位患者的EEG样本进行Bootstrap重采样，生成100个训练子集。
- 每个子集训练一个轻量级神经网络或决策树作为基学习器。
- 最终通过多数投票融合所有基学习器的输出，判断当前EEG窗口是否为发作期。
优势：单一模型易被患者特定的伪迹（如肌电、眨眼）误导，导致假阳性或漏检。Bagging通过集成多个基学习器，显著增强了分类器的稳健性和泛化能力，即使在低信噪比场景下也能降低假阳性率。该方案已成功应用于癫痫患者脑电长程监测的辅助诊断系统，有效提高了发作检测的特异性（>95%），为临床决策提供了可靠支持。
