bagging 的主要用例是通过将低偏差模型聚集在一起来减少它们的方差。这在Bauer 和 Kohavi的标志性论文“投票分类算法的实证比较：Bagging、Boosting 和 Variants ”中进行了实证研究。它通常像宣传的那样工作。

然而，与流行的看法相反，bagging 并不能保证减少方差。最近和（在我看来）更好的解释是 bagging 减少了杠杆点的影响。杠杆点是那些不成比例地影响结果模型的点，例如最小二乘回归中的异常值。杠杆点很少但有可能对结果模型产生积极影响，在这种情况下，装袋会降低性能。看看Grandvalet的“ Bagging 均衡影响力” 。

所以，最后回答你的问题：bagging 的效果很大程度上取决于杠杆点。几乎没有理论保证存在，除了 bagging 线性增加了袋子大小方面的计算时间！也就是说，它仍然是一种广泛使用且非常强大的技术。例如，当使用标签噪声进行学习时，bagging 可以产生更强大的分类器。

Rao 和 Tibshirani 在“ The out-of-bootstrap method for model averaging and selection ”中给出了贝叶斯解释：

从这个意义上说，自举分布代表了我们参数的（近似）非参数、非信息性后验分布。但是这种引导分布是轻松获得的——无需正式指定先验，也无需从后验分布中采样。因此，我们可以将引导分布视为穷人的“贝叶斯后验”。