Bootstrapping算法

Bootstrapping算法，指的就是利用有限的樣本資料經由多次重複抽樣，重新建立起足以代表母體樣本分布的新樣本。bootstrapping的運用基於很多統計學假設，因此假設的成立與否會影響採樣的準確性。

統計學中，bootstrapping可以指依賴於重置隨機抽樣的一切試驗。bootstrapping可以用於計算樣本估計的準確性。對於一個採樣，我們只能計算出某個統計量(例如均值)的一個取值，無法知道均值統計量的分布情況。但是通過自助法(自舉法)我們可以模擬出均值統計量的近似分布。有了分布很多事情就可以做了（比如說有你推出的結果來進而推測實際總體的情況）。

bootstrapping方法的實現很簡單，假設抽取的樣本大小為n:

在原樣本中有放回的抽樣，抽取n次。每抽一次形成一個新的樣本，重複操作，形成很多新樣本，通過這些樣本就可以計算出樣本的一個分布。新樣本的數量通常是1000-10000。如果計算成本很小，或者對精度要求比較高，就增加新樣本的數量。

優點：簡單易於操作。

缺點：bootstrapping的運用基於很多統計學假設，因此假設的成立與否會影響採樣的準確性。