Bagging算法描述：正确与错误

A、B、C都正确，D不正确。

关于Bagging算法的描述正确的是：

• **A：**在训练单个分类器时，每个样本被抽中的概率相同。
• **B：**Bagging分类器的效果一定高于单个分类器。
• **C：**对新样本进行分类时，整体模型结果为得票数最多的类别。
• **D：**对新样本进行分类时，整体模型结果为累计权重最大的类别。

解释：

• A 正确。Bagging算法的核心是通过Bootstrap采样，从原始数据集中有放回地抽取多个子集，每个子集都用于训练一个独立的分类器。每个样本被抽中的概率是相等的。
• B 正确。由于多个分类器在不同的子集上训练，并最终进行投票决定结果，Bagging算法通常能够提高分类器的泛化能力，降低过拟合风险。
• C 正确。在对新样本进行分类时，Bagging算法会将所有分类器的预测结果进行投票，最终结果由得票数最多的类别决定。
• D 错误。Bagging算法并不使用权重来累加分类器结果，而是通过简单投票的方式决定最终类别。