from sklearn.ensemble import BaggingRegressor
Bagging通過引入隨機化增大每個估計器之間的差異。
參數介紹：
base_estimator：Object or None。None代表默認是DecisionTree，Object可以指定基估計器（base estimator）。
n_estimators：int, optional (default=10) 。 要集成的基估計器的個數。
max_samples： int or float, optional (default=1.0)。決定從x_train抽取去訓練基估計器的樣本數量。int 代表抽取數量，float代表抽取比例
max_features : int or float, optional (default=1.0)。決定從x_train抽取去訓練基估計器的特征數量。int 代表抽取數量，float代表抽取比例
bootstrap : boolean, optional (default=True) 決定樣本子集的抽樣方式（有放回和不放回）
bootstrap_features : boolean, optional (default=False)決定特征子集的抽樣方式（有放回和不放回）
oob_score : bool 決定是否使用包外估計（out of bag estimate）泛化誤差
warm_start : bool, optional (default=False) true代表
n_jobs : int, optional (default=1)
random_state : int, RandomState instance or None, optional (default=None)。如果int，random_state是隨機數生成器使用的種子; 如果RandomState的實例，random_state是隨機數生成器; 如果None，則隨機數生成器是由np.random使用的RandomState實例。
verbose : int, optional (default=0)
屬性介紹：
estimators_ : list of estimators。The collection of fitted sub-estimators.
estimators_samples_ : list of arrays
estimators_features_ : list of arrays
oob_score_ : float，使用包外估計這個訓練數據集的得分。
oob_prediction_ : array of shape = [n_samples]。在訓練集上用out-of-bag估計計算的預測。 如果n_estimator很小，則可能在抽樣過程中數據點不會被忽略。 在這種情況下，oob_prediction_可能包含NaN。
還要解決三個問題
①他到底是什么，用於什么情況？
BaggingRegressor就是一個Bagging的回歸器組合。說到底還是用於集成多個回歸器，所以還是會勇於回歸預測的情況，集成一下解決過擬合的問題。
②他的優缺點？
③調參過程？
from sklearn.ensemble import BaggingClassifier