---
title: "自助聚合（Bagging）"
slug: bagging
language: zh-TW
source: https://aiterms.tw/terms/bagging
updated_at: 2026-04-29
tags: [機器學習, 模型訓練, 模型評估, 統計方法, 最佳化, 特徵工程, 模型部署, Python程式, iPAS中級]
ipas_term: false
---

# 自助聚合（Bagging）

> **如果單一模型太容易猜錯，能不能找很多個模型一起投票？**
> 你可以把自助聚合想成多個學習器一起看不同抽樣資料，再把結果平均或投票。
> 它的重點是降低模型波動，讓結果更穩定。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **自助聚合 vs Boosting？**
> 自助聚合：多模型並行訓練後投票或平均
> Boosting：模型一個接一個接力修正錯誤
> 最關鍵的區別：Bagging 強調平行平均，Boosting 強調串接修正
>
> **自助聚合 vs 正則化？**
> 自助聚合：偏向降方差
> 正則化：偏向限制模型複雜度
> 最關鍵的區別：Bagging 是集成方法，正則化是控制單模型
>
> **自助聚合 vs 隨機森林？**
> 自助聚合：常搭配決策樹
> 隨機森林：在 Bagging 基礎上再加入特徵隨機抽取
> 最關鍵的區別：隨機森林可以視為 Bagging 的強化版
### 記住這句就好

> 很多個不太一樣的答案一起投票，通常更穩
### 實際案例

> **風險分類**
> 每個子模型看不同抽樣資料，最後投票決定是否高風險，減少單一模型的偶然失誤
>
> **醫療判讀**
> 多個模型對影像給出分數後再平均，結果常比只靠一個模型穩定
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 抽樣 | bootstrap 自助抽樣 | 每個模型看到的資料不完全一樣 |
> | 組合 | 投票或平均 | 把高波動結果拉穩 |
> | 效果 | 主要降方差 | 對容易過擬合的模型很有幫助 |
### 情境判斷

> **Q1：如果你的單一決策樹常常忽上忽下，Bagging 有沒有可能幫忙？**
> → 有，因為它常用來降低高方差模型的不穩定性
>
> **Q2：如果模型本身已經很穩，而且偏差很高，Bagging 還是首選嗎？**
> → 不一定，因為它主要降方差，對高偏差問題幫助有限
### 常見問題

> **Q：Bagging 一定要很多模型嗎？**
> 通常模型越多越穩，但也要看成本與邊際效益。
>
> **Q：Bagging 和 Random Forest 差在哪？**
> Random Forest 在 Bagging 之外還加入特徵隨機性，讓樹與樹之間差異更大。
>
> **Q：Bagging 會讓模型變慢嗎？**
> 訓練和推論都可能變重，但常能換到更穩的表現。
### 相關術語

> - **自助聚合**：Bagging 的英文原名
> - **隨機森林**：它是 Bagging 的常見延伸
> - **偏差方差權衡**：Bagging 主要影響方差端

---

來源：https://aiterms.tw/terms/bagging
快查頁：https://aiterms.tw/terms/bagging
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-bagging