WEKA中Bagging方法为何仅支持输入单个分类器

你对Bagging的定义理解存在一个非常常见的偏差：Bagging生成的多个分类器，并非指多个不同类型/结构的分类器，而是同结构、同初始超参数的基分类器，在不同有放回抽样子集上训练得到的多个独立模型实例。

WEKA的Bagging组件设计完全遵循标准Bagging的实现逻辑：

• 配置窗口中要求选择的1种分类器，是所有基学习器共用的基分类器模板
• 你只需要选定基分类器类型、调好对应参数，再设置好Bagging的迭代次数（即要训练的基分类器总数量，WEKA默认值为10），算法会自动执行完整的Bagging流程：
  • 按迭代次数重复做有放回随机抽样，生成对应数量的训练子集
  • 针对每一个训练子集，基于选定的基分类器模板初始化一个全新的模型实例，在当前子集上完成训练
  • 预测阶段自动收集所有基分类器的投票结果，按多数票规则输出最终分类结果

注意不要将Bagging和异构集成类算法混淆：Stacking、多模型投票（Voting）这类异构集成方法，才需要手动指定多种不同类型的基分类器（比如同时搭配决策树、逻辑回归、支持向量机）；而Bagging属于典型的同构集成，所有基学习器的结构、初始超参数完全一致，模型间的多样性完全来自训练数据的随机抽样扰动。

如果你需要在WEKA中实现多种不同分类器的投票集成，不要使用Bagging组件，应选择weka.classifiers.meta.Voting组件，该组件支持添加多个不同类型的基分类器。

内容的提问来源于stack exchange，提问作者Encipher