目录
一、介绍
二、三种架构学习
（1）boosting
（2）bagging
（3）stacking
一、介绍：
对于单个模型来说很难拟合复杂的数，模型的抗干扰能力较低，所以我们希望可以集成多个模型，结合多个模型的优缺点提高模型的泛化能力。
针对于集成学习方式：
第一种为Boosting架构，利用基学习器之间串行的方式进行构造强学习器。
第二种是Bagging架构，通过构造多个独立的模型，然后通过选举或者加权的方式构造强学习器。
第三种是Stacking架构，它结合了Boosting和Bagging两种集成方式，它是利用多个基学习器学习原数据，然后将这几个基学习学习到的数据交给第二层模型进行拟合。说白了就是将第一层模型的输出作为第二层模型的输入。
二、三种架构学习
（1）boosting
训练过程为阶梯状，基模型按次序一一进行训练（实现上可以做到并行），基模型的训练集按照某种策略每次都进行一定的转化。对所有基模型预测的结果进行线性综合产生最终的预测结果
第一步：初始化训练数据的权重，w1=w2=...=wn=1/N，N为样本的数量。
第二步：训练第一个基模型，计算模型的错误率，计算模型的系数。
第三步：更新数据集的权重，误分类数据的权重调大，分类正确的数据权值调小。在训练一个基类模型。依次进行
第四步：每个模型对测试数据，进行预测。
第五部：对所有基模型的预测结果进行加权求和。准确率高的模型调大权值，准确率低的模型减小权值。
下图为架构图
【参考学习】：集成学习--Bagging、Boosting、Stacking、Blending - 知乎 (zhihu.com)
（2）bagging
从训练集从进行子抽样组成每个基模型所需要的子训练集，对所有基模型预测的结果进行综合产生最终的预测结果
下图为架构图
【参考学习】：集成学习--Bagging、Boosting、Stacking、Blending - 知乎 (zhihu.com)
（3）stacking
将训练好的所有基模型对训练基进行预测，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。
第一步：使用训练数据，训练T个不同的模型，得到T个基模型。
第二步：使用T个基模型，分别对训练数据进行预测，与原始训练数据的标签一起组成新的训练数据。
第三步：使用T个基模型，分别对测试数据进行预测，生成新的测试数据。
第四步：使用新的训练数据，训练一个元模型。
第五部：使用元模型对测试数据进行预测，得到最终结果。
下图为架构图
【参考学习】：集成学习--Bagging、Boosting、Stacking、Blending - 知乎 (zhihu.com)
【参考学习】【机器学习】集成学习——Stacking模型融合（理论+图解）_stacking集成模型_༺࿈ 海洋༒之心 ࿈༻的博客-CSDN博客
