简短的回答是肯定的。boosting 和 bagging 元算法都不假设特定的弱学习器，因此任何学习器都可以做到，无论使用相同的算法还是不同的算法。

元算法的定义方式，他们使用弱学习器作为黑盒模型，没有参考它们的实现或算法原理，也没有相似性。

对于提升：

在机器学习中，boosting 是一种集成元算法，主要用于减少监督学习中的偏差和方差[1]，以及将弱学习器转换为强学习器的一系列机器学习算法。 [2] Boosting 基于 Kearns 和 Valiant (1988, 1989) 提出的问题：[3][4] “一组弱学习器可以创建一个强学习器吗？” 弱学习器被定义为与真实分类仅略微相关的分类器（它可以比随机猜测更好地标记示例）。相比之下，强学习器是与真实分类任意良好相关的分类器。

装袋：

虽然它通常应用于决策树方法，但它可以与任何类型的方法一起使用。Bagging 是模型平均方法的一个特例。

对于 Bagging，提高性能所需的条件是弱学习器应该是不稳定的（因此学习器的扰动版本会影响结果），但除此之外，学习器是黑盒子，如上所述。

供进一步参考：

1. 提升，维基百科
2. 装袋，维基百科
3. 弱可学习性的力量
4. Bagging 预测器