baggingclassifier用于分类任务，baggingregressor用于回归任务；选错会报valueerror或typeerror。n_estimators通常设50–200，过大易过拟合且耗时；bootstrap=false会严重削弱降方差效果；predict_proba不稳定需确保基模型支持概率输出。
BaggingClassifier和BaggingRegressor怎么选
Bagging的核心是通过自助采样（bootstrap）训练多个基模型再平均预测，降低方差。Scikit-learn里对应两个类：BaggingClassifier用于分类任务，BaggingRegressor用于回归任务——选错会导致ValueError: Unknown label type这类报错。
- 分类问题必须用
BaggingClassifier，哪怕基模型是DecisionTreeClassifier或SVC - 回归问题必须用
BaggingRegressor，基模型得是DecisionTreeRegressor或SVR等回归器 - 不能混用：把
RandomForestClassifier当基模型传给BaggingRegressor会直接报TypeError
n_estimators设多少才不浪费又有效
n_estimators控制集成中基模型数量。它不是越大越好，也不是固定写100就完事。
- 通常50–200之间足够：小于30时方差下降不明显；超过300后验证误差曲线趋于平缓，训练时间线性增长
- 实际建议用早停策略：在验证集上监控
oob<em>score</em>（开启oob_score=True），当连续10轮提升 - 注意内存开销：每个基模型都独立保存，
n_estimators=500可能让joblib.dump序列化变慢、加载变卡
bootstrap=False时Bagging还起作用吗
bootstrap=False意味着禁用自助采样，所有基模型都在完整训练集上拟合——这本质上退化为「多模型并行训练+简单平均」，几乎不降低方差。
- 方差降低主要靠样本扰动，不是模型扰动；去掉bootstrap后，各模型高度相关，平均后方差≈单模型方差
- 唯一例外是配合
max_features （如<code>max_features=0.8），靠特征子集引入一定多样性，但效果远不如bootstrap - 生产环境别关bootstrap；若真想省采样开销，不如直接换
RandomForestClassifier（它默认带bootstrap且更高效）
predict_proba输出不稳定怎么办
BaggingClassifier.predict_proba()返回的是各基模型预测概率的算术平均，但某些基模型（如SVC）本身不支持概率输出，会触发NotFittedError或返回全0。
- 必须确保基模型实现了
predict_proba方法：优先选DecisionTreeClassifier、LogisticRegression，避免SVC（除非显式加probability=True） - 如果用了
oob_score=True，可检查oob_decision<em>function</em>是否为None——是则说明部分基模型没输出概率，需统一基模型类型 - 概率校准建议后置：先用
BaggingClassifier输出决策函数值，再套CalibratedClassifierCV，比强行让每个SVM输出概率更稳
Bagging降方差的关键不在堆模型数量，而在保证每次bootstrap采样和特征子集都真正带来独立性。容易被忽略的是：基模型本身不能太弱（比如深度为1的树），否则多样性再高也学不出有用模式。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
