从算法机制和结果差异角度，比较 Bagging 与 Boosting 两种集成学习方法的区别，并说明各自的典型应用场景。

回答思路

1. 【回答框架 1】Bagging 的核心是并行训练多个基学习器，每个基学习器在原始训练集的随机子集（有放回采样）上独立训练，最后通过投票或平均进行集成。其目的是通过降低方差来减少过拟合，典型代表是随机森林。
2. 【回答框架 2】Boosting 的核心是串行训练基学习器，每个后续学习器重点关注之前学习器分类错误的样本，通过调整样本权重或残差来训练，最终加权组合。其目的是通过降低偏差来提高模型准确性，典型代表是 AdaBoost 和梯度提升树（GBDT）。
3. 【回答框架 3】主要区别在于训练方式（并行 vs 串行）、样本使用（独立采样 vs 权重调整）、目标（降方差 vs 降偏差）以及集成方式（等权投票 vs 加权和）。Bagging 对异常值鲁棒，而 Boosting 对异常值敏感。
4. 【回答框架 4】适用场景方面，Bagging 适合高方差、数据噪声较大的情况，如决策树容易过拟合时；Boosting 适合偏差较高、需要提升精度的场景，但需要注意过拟合和异常值影响。
5. 【关键点 1】Bagging 并行训练、降低方差，典型算法是随机森林。
6. 【关键点 2】Boosting 串行训练、降低偏差，典型算法是 AdaBoost 和 GBDT。
7. 【关键点 3】Boosting 通过调整样本权重关注难例，Bagging 通过自助采样构建多样性子集。
8. 【关键点 4】两者都通过集成多个弱学习器提升性能，但机制和目标不同。
9. 【易错点 1】误认为 Boosting 一定优于 Bagging，实际取决于数据特征和任务类型。
10. 【易错点 2】忽略 Boosting 对异常值和噪声敏感，容易过拟合。
11. 【易错点 3】混淆随机森林和 AdaBoost 的采样方式，随机森林是特征和样本双重随机，AdaBoost 是权重调整。