Bootstrap Method:在统计学中，Bootstrap从原始数据中抽取子集，然后分别求取各个子集的统计特征，最终将统计特征合并。例如求取某国人民的平均身高，不可能测量每一个人的身高，但却可以在10个省市，分别招募1000个志愿者来测量并求均值，最终再求取各省市的平均值。
Bagging(Bootstrap Aggregating):应用了 Bootstrap的思想，从Training Set抽取k次subset，分别用来训练k个单独的模型，然后用这k个模型来做预测。最终，如果是Regression问题，则Average k个模型的输出；如果是Classification问题，则进行Majority Vote。
Example：Bagged Decision Trees.引用自Springer Nature的文章‘Ensemble methods: bagging and random forests’。我们可以看到，图a中的数据点，是根据抛物线图(虚线)叠加噪音而生成。如果直接采用CART Decision Tree，拟合模型如图a的实线；图b给出了4个Bootstraps分别的拟合图像；图c的蓝线则是将4个Bootstrap进行了平均，更好的还原了抛物线图像。
其中εB是对bags内部数据的差错曲线，而εOOB则是对Out-Of-Bag数据的测评。OOB在这里的作用类似于Cross Validation。
Random Forest: 和Bagged Decision Tree的大体结构十分相似，Random Forest也是对Training Set进行k次随机抽样、种树、再求取平均（Majority Vote）。但Random Forest修改了Decision Tree中Greedy Search的部分：Decision Tree在每次分割时，会考虑所有的feature，然后选择最佳分割点；Random Forest为了增加随机性，在分割时使用1/3*D( regression), sqrt(D)(classification)的features来做选择，由此也减少了属于书之间的关联性。
所以说，Bagged Decision Tree只有一个参数，那就是树的数量；而Random Forest却有两个参数：树的数量，以及分割时feature的数量。