自助采样包含训练集里63.2%的样本?

自助采样包含训练集里63.2%的样本?

在学习随机森林的时候，经常会看到这么一句话“ 自助采样法给bagging带来的好处就是:由于每个学习器只是使用了%63.2的数据,剩下的约%36.8的样本可以用作验证集来对泛化性能进行“包外估计”。“

那么这个63.2%是怎么来的呢？假设我们有n个样本，有放回的进行抽取，那么每个样本不被抽取的概率为\(1 - \dfrac{1}{n}\)。我们需要抽取n轮，那么某个样本一直不被抽到的概率为

\[p=(1 - \dfrac{1}{n})^n \]

当n足够大的时候有

\[p = \lim_{n\to +\infty}(1 - \dfrac{1}{n})^n \]

这个p该怎么算？实际上在课本里有一个公式

\[e^x=\lim_{n\to\infty}(1 + \dfrac{x}{n})^n \]

当x=-1的时候对应着上述的p，由此可得自助采样没有采到的样本大概占整个样本集的\(e^{-1}\)，那么自助采样包含训练集里的样本即为\(1 - e^{-1} \approx 0.632 \approx \dfrac{2}{3}\)