请解释集成学习的基本概念，并详细比较Bagging与Boosting两种主要方法在工作机制、样本处理、模型训练及最终结果上的差异。

回答思路

1. 【回答框架 1】集成学习是一种组合多个基学习器以提升整体预测性能的机器学习方法，核心思想在于通过构建并结合多个模型，利用群体智慧降低单一模型的偏差或方差，从而获得比单个模型更强的泛化能力。
2. 【回答框架 2】Bagging（自举汇聚）通过有放回抽样从原始训练集中生成多个子集，并行训练多个基模型（如决策树），再对结果进行投票或平均。其并行性、样本独立采样及减少方差的特点，使模型对数据扰动不敏感，典型代表是随机森林。
3. 【回答框架 3】Boosting则是串行训练模型序列，每个新模型重点学习之前模型预测错误的样本（如调整样本权重或拟合残差），最终将弱学习器加权组合。其核心在于降低偏差，在方差影响下可能过拟合，典型代表包括AdaBoost和梯度提升机。
4. 【回答框架 4】两者主要区别在于：样本使用方式上，Bagging采用有放回且随机采样，Boosting则迭代调整权重；训练方式上，Bagging并行、Boosting串行；目标上，Bagging重在减小方差，Boosting重在减小偏差；结果上，Bagging简单平均，Boosting加权结合。
5. 【回答框架 5】选择依据方面，当基学习器是高方差、低偏差模型（如深决策树）时，Bagging更有效；当模型偏差较高时，Boosting更能提升准确性，但需注意控制过拟合，常需配合正则化与子采样。
6. 【关键点 1】Bagging通过并行训练和平均降低方差，适合高方差低偏差的基学习器；Boosting通过串行修正错误降低偏差，适合高偏差模型。
7. 【关键点 2】Bagging使用有放回抽样生成独立子集，Boosting根据错误动态调整样本权重，聚焦难例。
8. 【关键点 3】Bagging的基模型可独立训练，Boosting必须按序训练，后者集成结果通常更精确但更易过拟合。
9. 【关键点 4】随机森林是Bagging典型实例，AdaBoost与Gradient Boosting是Boosting经典实现。
10. 【关键点 5】实际中，Bagging更稳健，Boosting在调参得当下通常精度更高，但需要更多正则化。
11. 【易错点 1】混淆Bagging与Boosting的采样方式：Bagging是均匀有放回抽样，Boosting是针对性调整权重，并非均匀采样。
12. 【易错点 2】错误认为Boosting一定能降低方差：Boosting主要降低偏差，复杂模型上方差可能上升，需通过早停或正则化控制。
13. 【易错点 3】忽略基学习器的类型选择，任意模型套用Bagging或Boosting不一定有效，需匹配偏差方差特征。