集成学习（Ensemble Learning）是一种机器学习技术，通过结合多个学习器（例如决策树、神经网络、支持向量机等）的预测结果，来达到更好的分类或回归预测性能。集成学习可以通过降低模型的方差，提高模型的稳定性和泛化性能，从而改善预测结果。常见的集成学习方法包括Bagging，Boosting，Stacking等。
图中显示出集成学习的一般结构:先产生一组"个体学习器" (individual learner) ，再用某种策略将它们结合起来.个体学习器通常由一个现有的学习算法从训练数据产生，例如 决策树算法、 BP 神经网络算法等，此时集成中只包含同种类型的个体学习器，例如"决策树集成"中全是决策树，"神经网络集成"中全是神经网络，这样的集成是"同质"的 (homogeneous)。.同质集成中的个体学习器亦称"基学习器" (base learner)，相应的学习算法称为"基学习算法" (base learning algorithm).。
集成也可包含不同类型的个体学习器，例如同时包含决策树和神经网络，这样的集成是"异质"的(heterogenous) 。异质集成中的个体学习器由不同的学习算法生成，这时就不再有基学习算法;相应的，个体学习器一般不称为基学习器，常称为"组件学习器" (component learner)或直接称为个体学习器。
收集和准备数据集：集成模型需要多个基本模型的预测结果才能进行训练和预测，因此需要准备大量的数据集。
选择合适的集成方法：包括 bagging、boosting、stacking、blending等方法。
选择合适的基本模型：基本模型应该选用不同的模型类型和参数设置，以提供更多的多样性。
训练基本模型：基本模型的训练应该采用不同的数据集采样和参数设置，以增加多样性。
组合基本模型：将训练得到的基本模型组合起来，得到集成模型。
评估集成模型：使用测试集对集成模型进行评估，比较其性能和单个基本模型的性能。
调整集成模型参数：如果集成模型的性能不尽如人意，可以根据测试结果调整模型的参数。
在新数据上进行预测：使用训练好的集成模型对新数据进行预测。
参考：
