Bagging treina os modelos de forma sequencial, enquanto boosting os treina em paralelo.

Bagging foca em aumentar a precisão do modelo, enquanto boosting foca em reduzir a variância.

Bagging reduz a variância, enquanto boosting melhora a precisão combinando modelos fracos.

Bagging é utilizado apenas em problemas de regressão, enquanto boosting é para classificação.

Bagging e boosting são essencialmente a mesma técnica de ensemble.