在机器学习中，“扰动”指的是 在模型训练过程中引入的随机性或不确定性。扰动的目的是增加模型的多样性，从而提高整体模型的泛化性能。在集成学习中，扰动主要通过以下两种方式引入：

样本扰动：

在Bagging（Bootstrap Aggregating）中，通过有放回地从原始训练集中随机抽样生成多个不同的训练子集，每个子集用于训练一个弱学习器。

属性扰动：

对原始数据的每个特征添加随机噪声，以增强模型的鲁棒性、减少过拟合和提升泛化能力。

通过引入扰动，可以使模型在面对噪声和不确定性时表现更加稳定和可靠。