题目重点：MLE OA 编程题要求实现 bootstrap 的 resampling、fit、predict；拆解样本索引、基模型状态与聚合规则。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练版输入 X/y 等长 n>0、B 个独立可 clone 基模型，resample 每次有放回抽 n 个索引；B≥1。
- fit 为每轮 bootstrap 样本训练一个新模型，不复用上轮已 fit 的同一可变实例；分类 predict 用多数投票，回归用平均，题目未区分任务，实际以接口为准。
- 随机数生成器显式传 seed 仅为复现实验，不把同一 seed 重用于每轮导致完全相同的 bootstrap 样本。
解题路线
- resampling：独立抽 n 次 index∈[0,n−1]，可重复；对 X/y 使用同一索引数组，不能分别随机抽导致标签错位。
- fit：B 次获取 bootstrap 索引，clone 新 estimator，以对应 X[idx],y[idx] 训练，保存 B 个模型；训练失败的回滚/异常按接口契约。
- predict：对每个样本收集 B 个成员预测；分类按投票（并列规则固定），回归取算术均值；若基模型给概率，平均概率与硬投票是不同聚合，需先问。
- 可保留每轮未抽到的 out-of-bag 样本用于评估，但不能以 OOB 结果替代题面规定的 predict。数据预处理若需 fit，应放进每个基模型的训练管线内防泄漏。
- 测试索引范围、抽样总长 n、重复索引实际出现、X/y 对齐、每个模型实例不同、固定 seed 可复现与多数投票并列。
手动走一遍
训练例 n=3，某轮索引可为 [2,2,0]，样本 2 重复、样本 1 未抽到；这才是有放回抽样。若 B=3 成员对一个点预测 [1,0,1]，多数投票为 1；对回归值 [1,0,1]，均值为 2/3。
规模与取舍
每轮抽样 O(n)、保存索引 O(n) 临时空间；B 轮抽样 O(Bn)，训练成本 B×baseFit，模型空间 B×baseModelSize；m 个预测点推理成本 B×basePredict(m)。
易错点与追问
容易失分的边界
- 无放回 permutation 冒充 bootstrap，每轮恰好原样本集合。
- X 和 y 分别采样，训练标签错位。
- 重复 fit 同一 estimator 引用，列表里的 B 个模型实际都是最后一个。
- 分类与回归混用聚合规则。
- 没有原接口却宣称自己实现原 OA 的精确签名。
继续深挖
- 一个样本某轮未被抽中的概率约多少？
- 如何用 OOB 估计泛化误差？
- Bagging 对高方差模型为什么常有用？
- 成员预测并列如何定？
