Bootstrap 是一種統計和機器學習中常用的重抽樣技術，通過從原始數據集中「有放回地」多次抽取樣本，生成多組新的訓練數據集（稱為Bootstrap樣本），用以估計統計量的分布，提升模型穩定性和泛化能力。
Bootstrap的主要特點：
- 有放回抽樣**：從原數據集中抽取樣本，抽取後的樣本可被再次選中。
- 維持樣本大小**：每個Bootstrap樣本大小通常與原始數據集相同。
- 多次重複**：重複抽取多次生成多個Bootstrap樣本，從中估計統計量（例如均值、方差）分布。
- 袋裝法（Bagging）**：利用Bootstrap多次抽樣訓練多個基學習器，最終集成預測，提高模型穩定性與精度，減少過擬合。
- 估計模型性能**：使用Bootstrap樣本估計模型的準確率、置信區間，尤其在數據有限時提供更可靠的性能評估。
- 統計推斷**：不依賴參數假設，通過重抽樣估計統計量的偏差和變異。
簡單比喻：
Bootstrap就像從一袋球中隨機取球放回多次，再從多個取樣結果來估計整袋球的特性。
總結：
Bootstrap是一種透過有放回抽樣生成多個樣本子集的重抽樣技術，廣泛用於機器學習中提升模型穩定性、估計性能指標以及進行統計推斷。
