所谓的Bootstrapping法就是利用有限的样本资料经由多次 重复抽样，重新建立起足以代表母体 样本分布之新样本。

统计学中，bootstrapping可以指依赖于重置随机抽样的一切试验。bootstrapping可以用于计算样本估计的准确性。

对于一个采样，我们只能计算出某个 统计量(例如 均值)的一个取值，无法知道均值统计量的分布情况。但是通过 自助法(自举法)我们可以模拟出均值统计量的近似分布。

有了分布很多事情就可以做了（比如说有你推出的结果来进而推测实际总体的情况）。

bootstrapping方法的实现很简单，假设抽取的样本大小为n:

在原样本中有放回的抽样，抽取n次。每抽一次形成一个新的样本，重复操作，形成很多新样本，通过这些样本就可以计算出样本的一个分布。

新样本的数量通常是1000-10000。如果计算成本很小，或者对精度要求比较高，就增加新样本的数量。

优点：简单易于操作。

缺点：bootstrapping的运用基于很多统计学假设，因此假设的成立与否会影响采样的准确性。