組合分類器的性能優(yōu)于單個分類器必須滿?兩個必要的條件: (1)基分類器之間應(yīng)該是相互獨?的;(2)基分類器應(yīng)當(dāng)好于隨機猜測分類器

bagging（Bootstrap Aggregating）是一種集成學(xué)習(xí)方法，通過結(jié)合多個基分類器的預(yù)測來提高整體模型的性能。以下是bagging生效的必要條件的分析：

- **A: 基分類器之間應(yīng)該是相互獨立的**
**正確。** bagging的一個關(guān)鍵思想是通過對訓(xùn)練數(shù)據(jù)的隨機抽樣（有放回的抽樣）來生成多個不同的訓(xùn)練數(shù)據(jù)集，這樣可以訓(xùn)練出相對獨立的基分類器?；诸惼鞯莫毩⑿杂兄跍p少偏差和方差，提高最終模型的泛化能力。

- **B: 基分類器要足夠多**
**正確。** 在bagging中，增加基分類器的數(shù)量通?？梢蕴岣吣Ｐ偷姆€(wěn)定性和準確性，因為更多的分類器可以更好地平均化隨機誤差。然而，太多的分類器也可能帶來計算成本增加的問題。

- **C: 基分類器應(yīng)當(dāng)好于隨機猜測分類器**
**正確。** 基分類器至少需要比隨機猜測好，這樣多數(shù)投票或平均輸出才有意義，這也是集成學(xué)習(xí)方法的一個基本要求。如果基分類器表現(xiàn)很差，那么集成的效果也會受到影響。

- **D: 不斷調(diào)整錯誤樣本的權(quán)重**
**錯誤。** 這個選項描述的是Boosting方法中的一種策略，而不是bagging的。Boosting通過調(diào)整樣本權(quán)重來關(guān)注難以分類的樣本，而bagging則是通過數(shù)據(jù)采樣的方式來實現(xiàn)分類器的多樣性。

綜上所述，bagging生效的必要條件是A、B、C。這些條件確保了bagging能夠有效地降低模型的方差，從而提高整體預(yù)測性能。