在语言学中，自助式法（Bootstrap Method，Bootstrapping或自助式样本法）是一类从取值体能训练分散有放回的光滑样本，也是说，每每选上两个样品，它等可能将地将再度选上并被再度加进到体能训练集中。自助式法由Bradley Efron于1979年在《Annals of Statistics》上刊登。当样品源自整体，更有吸引力概率密度函数来叙述，其样本原产(Sampling Distribution)为正态原产(The Normal Distribution)；但当样品源自的整体无法以概率密度函数来叙述，则以渐进式分析方法、自助式法等来分析。采用乱数可分期付款样本(random sampling with replacement)。对于小统计数据集，自助式法效用较好。
最常见的一类Bootstrap自助式法，假定取值的统计数据集包涵d个样品。该统计数据集是放回地样本m次，造成m个样品的体能训练集。这种原统计数据样品中的这类样品很可能将在该样品分散再次出现数次。没有进入该体能训练集的样品最终形成检测集（试验集）。 或许每一样品被选上的机率是1/m，因而未被选上的机率是(1-1/m)，这种两个样品在体能训练分散没再次出现的机率是m次都未被选上的机率，即(1-1/m)^m。当m趋向无限大时，这一机率就将收敛于e^-1=0.368，所以回到体能训练分散的样品约莫就占原来统计数据集的63.2%。
比如：育苗样品为1，2，3；只有三个样品，则能从概率分布X，原产为P(X=k)=1/3, k=1,2,3; 这种的实战经验原产时用计算机系统据此原产手动造成样品，如造成5个样品：1 2 3 2 1；也能是：3 3 2 1 1。自助式法在统计数据集较细、无法有效分割体能训练集和试验集里很管用；此外，自助式桑翁从如上所述统计数据分散造成数个不同的体能训练集，这对软件系统自学等方式有非常大的益处。然而，自助式法造成的统计数据集改变了如上所述统计数据集的原产，这会导入估算局限性。因而，在如上所述统计信息量足够多时，腾出法和交叉验证法更常见一些。上面，咱们通过两列slides来看看bootstrap方式。如果要学这些具体演算，对这种方式有大体的第一印象也对未来的研究工作有非常大的协助。
