• Bagging（如随机森林）： 主要作用是降低方差（Variance）。通过Bootstrap采样和聚合（Averaging），它平滑了单个模型对噪声的过度敏感，特别适合高方差、易过拟合的基模型（如深层决策树）。 • Boosting（如GBDT）： 主要作用是降低偏差（Bias）。它通过拟合残差不断逼近真实分布，但在高噪声数据中，Boosting往往会试图去拟合噪声（因为噪声也是残差的一部分），导致过拟合。 因此，在数据噪声大、模型方差大的场景下，Bagging优于Boosting。 • D 选项“动态调整权重”是Boosting（如Adaboost）的核心特征，而不是Bagging的特征。