根本区别在于，在随机森林中，仅从全部特征中随机选择一个子集，并使用子集中的最佳分割特征来分割树中的每个节点，这与 Bagging 中考虑所有特征进行分割不同一个节点。

Bagging 通常是一个首字母缩写词，类似于工作，它是 Bootstrap 和聚合的组合。一般来说，如果你从原始数据集中获取一堆自举样本，拟合模型，然后平均所有$M_1, M_2, \dots, M_b$$b$模型预测这是引导聚合，即 Bagging。这是作为随机森林模型算法中的一个步骤完成的。随机森林创建引导样本和跨观察，并且对于每个拟合的决策树，在拟合过程中使用协变量/特征/列的随机子样本。在原始 bootstrap 论文中，每个协变量的选择都是以均匀概率完成的。因此，如果您有 100 个协变量，您将选择这些特征的一个子集，每个特征的选择概率为 0.01。如果您只有 1 个协变量/特征，您将以 1 的概率选择该特征。您从数据集中的所有协变量中采样的协变量/特征中有多少是算法的调整参数。因此，该算法通常在高维数据中表现不佳。

我想澄清一下，bagging 和 bagged trees 之间是有区别的。

Bagging ( b ootstrap + agg regat ing ) 使用了一组模型，其中：

1. 每个模型都使用自举数据集（bagging 的自举部分）
2. 模型的预测被聚合（bagging 的聚合部分）

这意味着在 bagging 中，您可以使用您选择的任何模型，而不仅仅是树。

此外，袋装树是袋装集成，其中每个模型都是一棵树。

所以，从某种意义上说，每个 bagged tree 都是 bagged ensemble，但并不是每个 bagged ensemble 都是 bagged tree。

鉴于这一澄清，我认为 user3303020 的回答提供了一个很好的解释。