（）常考虑的是同质弱学习器，相互独立地并行学习这些弱学习器，并按照某种确定性的平均过程将它们组合起来。

（）常考虑的是同质弱学习器，相互独立地并行学习这些弱学习器，并按照某种确定性的平均过程将它们组合起来。

A、boosting

B、bagging

C、stacking

D、wrappering

正确答案：B

答案解析：

Bagging（装袋法）：Bagging常使用同质弱学习器，例如多个决策树作为弱学习器。它通过从原始训练数据集中有放回地随机抽样，生成多个不同的子数据集，每个子数据集都用来独立地训练一个弱学习器，这些弱学习器相互独立地并行学习。在预测阶段，对于分类问题，通常采用投票的方式，让各个弱学习器进行投票，选择票数最多的类别作为最终预测结果；对于回归问题，则按照某种确定性的平均过程（如简单算术平均）将各个弱学习器的预测值组合起来得到最终预测值。例如，在使用Bagging构建的随机森林模型中，每棵决策树都基于不同的自助样本集独立训练，最后对所有决策树的预测结果进行平均（回归）或投票（分类），所以B选项符合描述。

Boosting：Boosting也是使用一系列弱学习器来构建强学习器，但它与Bagging不同。Boosting是串行生成弱学习器，每个新的弱学习器会重点关注前一个弱学习器分类错误的样本，通过不断调整样本权重，使得后续弱学习器能够纠正前面弱学习器的错误，而不是并行独立学习，A选项错误。

Stacking（堆叠法）：Stacking同样使用多个弱学习器进行学习，它先让多个弱学习器对训练数据进行学习，然后将这些弱学习器的预测结果作为新的特征，再使用一个元学习器对这些新特征进行学习，以得到最终的预测结果。它不是简单的按照某种确定性平均过程组合弱学习器，与题目描述不符，C选项错误。

Wrappering：通常指的是Wrapper方法，它主要用于特征选择，将特征子集的选择看作搜索寻优问题，与弱学习器的组合方式无关，D选项错误。