bootstrap方法

Bootstrap方式亦然模块统计数据中一类关键的估算统计数据量可变性，并可展开统计数据量区段估算的统计数据方式，也称作自助式法。

其中心思想和基本上关键步骤如下表所示：

（1） 选用多次重复样本控制技术从原初样品中抽掉很大数目（可他们取值，通常与原初样品完全相同）的样品，此操作过程容许多次重复样本。

（2） 依照抽掉的样品排序待估算的统计数据量T。

（3） 多次重复前述N次（通常小于1000），获得N个统计数据量T。

（4） 排序前述N个统计数据量T的样品标准差，以估算统计数据量T的标准差。

如果说Bootstrap是当代统计数据学极为盛行的一类统计数据方式，在小样品时效用较好。透过标准差的估算能内部结构概率密度函数等，其应用领域覆盖范围获得更进一步延展。

即使该方式充分运用了取值的探测关键信息，不须要模型其它的假定和增加新的探测，并且具有稳健性和效率高的特点。1980年代以来，随着排序机控制技术被引入到统计数据实践中来，此方式越来越受欢迎，在机器学习领域应用领域也很广泛。

首先，Bootstrap透过重样本，能避免了Cross-Validation造成的样品减少问题，其次，Bootstrap也能用于创造数据的随机性。比如，我们所熟知的随机森林算法第一步就是从原初训练数据集中，应用领域bootstrap方式有放回地随机抽掉k个新的自助式样品集，并由此构建k棵分类回归树。

扩展资料：

Bootstrap是美国Twitter公司的设计师Mark Otto和Jacob Thornton合作基于HTML、CSS、JavaScript 开发的简洁、直观、强悍的前端开发框架，使得 Web 开发更加快捷。