Boosting 模型是一种集成学习方法，主要包括以下两种常见类型：
此外，在 Coze 上，GLM 模型和 MoonShot 模型因对结构化提示词的良好理解适合处理精确输入和输出任务，豆包系列模型在角色扮演和工具调用方面表现出色，将这三种模型结合在工作流或多 Agent 中可实现优势互补。
Bagging（Bootstrap Aggregating）是一种集成学习方法，主要用于减少机器学习模型的方差，并提高其泛化能力。Bagging的核心思想是通过多次抽样生成多个数据集，训练多个模型，并将这些模型的结果进行平均（或投票）来提高整体预测的稳定性和准确性。[heading1]Bagging的定义与核心[content]Bootstrap抽样：从原始数据集中有放回地抽取多个子集。每个子集的大小与原始数据集相同，但由于是有放回的抽样，可能会出现重复样本。训练多个模型：每个子集都用于训练一个独立的模型。这些模型通常是相同的模型类型（如决策树，多项式等）。集成结果：对于回归任务，将多个模型的预测结果取平均；对于分类任务，通过多数投票来决定最终的分类结果。
AdaBoost（Adaptive Boosting），即自适应增强算法，是一种集成学习算法，主要用于分类问题，也可以用于回归问题。它通过组合多个弱学习器（通常是决策树桩）来构建一个强学习器，以提高模型的预测性能。弱学习器（Weak Learner）弱学习器是集成学习中的一个概念。在机器学习中，学习器通常被分类为强学习器（Strong Learner）和弱学习器。两者的基本区别有：强学习器：强学习器通常指的是具有高准确率的模型，能够很好地泛化到新的数据上。它们可能是复杂的模型，比如深度神经网络或支持向量机，能够捕捉数据中的复杂模式。弱学习器：弱学习器的准确率仅略高于随机猜测。例如，在二分类问题中，如果随机猜测的准确率是50%，那么弱学习器的准确率可能只是略高于50%，比如51%。弱学习器通常是简单的模型，比如决策树桩（Decision Stumps），它们只考虑单个特征的阈值来做出预测。(比如月收入高于30k，就有可能购买一个空气净化器)
在结束第五章节之前，我们需要来考虑下模型选择的问题。在Coze上，GLM模型和MoonShot模型因其对结构化提示词的良好理解而受到青睐。这些模型能够较为准确地解析和响应那些格式规范、结构清晰的指令，使得它们非常适合处理需要精确输入和输出的任务。另一方面，豆包系列模型则在角色扮演和工具调用方面表现出了特别的亲和力。这些模型不仅能够识别用户的意图，还能够智能地选择合适的工具或服务来执行用户的指令，从而实现更加流畅和直观的人机交互。将这三种模型结合在一个工作流或多Agent中，可以实现优势互补，创造出一个强大而灵活的工作流或多Agent。例如，GLM和MoonShot模型可以处理语言理解和生成的任务，而豆包模型则负责工具的调用和用户意图的识别，这样的搭配能够确保工作流的高效运行和用户需求的准确响应。