标准回答
基本流程
Bootstrap 是一种不依赖分布假设的重采样方法，用来估计任意统计量的不确定性：
- 从大小为 n 的原样本中有放回地抽 n 个观测，构成一个 bootstrap 样本（有的点重复、有的缺失）。
- 在该样本上计算目标统计量 (\hat\theta^*)（如均值、中位数、AUC）。
- 重复 B 次（常取 B=1000~10000），得到 (\hat\theta^_1,\dots,\hat\theta^_B)。
估计不确定性
这 B 个取值近似了 (\hat\theta) 的抽样分布，于是：
- 标准误：取这 B 个值的标准差。
- 置信区间：用百分位法取分位数，如 95% 区间对应 ([Q_{2.5%}, Q_{97.5%}])。
为什么有效
它把经验分布（原样本）当作总体的近似，用计算代替解析推导，因此对没有封闭方差公式的统计量同样适用，也不需要正态性假设。
常见误区
⚠️ 常见踩坑
Bootstrap 不能修正有偏或不代表总体的原样本——它只重采样已有数据；对极值、极小样本、强时间/空间相关数据，朴素 bootstrap 会失真，需用 block bootstrap 等变体。
追问
追问 1：Bootstrap 和交叉验证有什么区别？
两者都靠重采样，但目的不同。Bootstrap 是有放回抽样、主要用于估计统计量的抽样分布、标准误与置信区间；交叉验证是无放回地把数据划分为不重叠的折，用于评估模型的泛化误差与选择超参数。Bootstrap 训练集会有重复样本（约 63.2% 唯一），CV 每折内样本互斥。
追问 2：.632 自助法里的 0.632 是怎么来的？
一次有放回抽 n 次，某个样本一次都没被抽中的概率是 ((1-1/n)^n)，当 n 较大时趋于 (e^{-1}\approx 0.368)。所以平均约 63.2% 的样本会出现在 bootstrap 训练集里，剩下约 36.8% 作为袋外（OOB）样本用于评估。.632 自助法据此对训练误差与 OOB 误差加权来校正乐观偏差。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。