这个时代，如果你觉得自己不够强，那就找几个人联合起来。集成学习亦如此。
集成学习是一种将几种机器学习模型组合成一个模型的元算法(meta-algorithm)，以减小方差(例如：Bagging)，偏差(例如：Boosting)，或者改进预测(例如：Stacking、Blending)。
- 集成方法分类
串行集成方法：多个模型顺序生成。此方法是利用模型之间的依赖关系。算法可以通过提高被分错样本的权重来提高性能。具体参见Boosting。
并行集成方法：多个模型并行生成。此方法是利用模型之间的独立性，因为可以通过平均来降低误差。具体参见Bagging。
树行集成方法：这种方法可分多层，每一层可包括多种模型，下层的训练数据集为上一层的训练结果，类似于树。具体参见Stacking、Blending。
一、Bagging
Bagging：也就是自举汇聚法(Bootstrap Aggregating)，步骤如下：
在包含N个样本的数据集中采用有放回的抽样方式随机抽取一定数量(可以为N)的样本，构成一个数据集；
按照步骤1中的方式得到M个数据集；
利用机器学习的方法(例如：SVM，决策树，神经网络……)对得到的M个数据集，训练出M个弱模型(比随机模型效果好)；
集成M个弱模型的结果作为最终结果；
Bagging就是通过M个弱模型的结果，通过并行集成的方式来获得最终结果。因为M个数据集是相互独立的，因此这M个弱模型之间也是相互独立的，在最终的集成结果时，每个模型的权重是一样的。这是和下文的Boosting所不同的。
Bagging集成方式
回归问题
M个模型结果的均值；分类问题
对M个模型的结果进行投票决定，票数多的作为结果；票数一样，随机决定；代表方法
随机森林(Random Forest)
二、Boosting
Boosting步骤如下：
- 每一次都根据上一次训练得到的模型结果，调整数据集样本分布，然后再生成下一个模型；
- 直到生成Ｍ个模型;
- 根据Ｍ个模型的结果集成得到最终的结果；
Boosting集成方式
每个模型的重要度作为每个模型结果的权重，然后加权计算得出结果。可以看出Boosting中生成多个模型的方式并不是和Bagging一样并行生成，而是串行生成，因此也决定了多个模型结果的集成是串行集成,也就是每个模型的结果权重并不是一样的。如何来调整样本分布以及计算模型的重要度，不同方法有不同的定义，详情参见具体方法。
三、Stacking
Stacking步骤如下：
将训练好的所有基模型对整个训练集进行预测，第j个基模型对第i个训练样本的预测值将作为新的训练集中第i个样本的第j个特征值，最后基于新的训练集进行训练。同理，预测的过程也要先经过所有基模型的预测形成新的测试集，最后再对测试集进行预测。
-
代表方法
Stacking
四、Blending
Blending步骤如下：
原始训练数据集划分为训练数据集和验证数据集，针对训练数据集训练多个模型，每个模型针对验证数据集的结果构成新的训练数据集，每个模型针对预测数据集的结果构成新的预测数据集。然后针对新的训练数据集训练模型，训练完成后，得到的模型对新的预测数据集的结果作为最终的结果。
-
代表方法
Blending
方法介绍、实例、代码：随机森林、AdaBoost、GBDT、XGBoost、LightGBM，CatBoost，Stacking，Blending。扫描下方二维码或者微信公众号直接搜索”Python范儿“，关注微信公众号pythonfan， 获取更多实例和代码。
