目的：让机器学习效果更好，单个机器学习算法不行，就用多个机器算法集成。
Bagging模型：训练多个分类器取结果的平均
Boosting模型：从弱学习器开始加强，通过加权来进行训练（加入一棵树，要比原来强）
Stacking模型：聚合多个分类或回归模型（可以分阶段来做）
全称：bootstrap aggregation（说白了就是并行训练一堆分类器），最典型的代表就是随机森林（决策树的升级版，多个决策树组合起来）
随机：数据采样随机，特征选择随机（可以命名为二重随机性）
森林：很多个决策树并行放在一起
在随机森林模型中，如果是分类任务，那就对结果取众数（如上图所示），如果是预测任务，就对结果取平均值。
构造树模型：
由于二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样。之所以要进行随机，是要保证泛化能力，如果树都一样，那么最终结果就都是一样的，那就没意义了！
随机森林相比于决策树优势：
（1）它能够处理很高维度（feature很多）的数据，并且不用做特征选择。
（2）在训练完后，它能够给出哪些feature比较重要，比如在下图中特征重要性最低的三个特征就可以去掉。
（3）容易做成并行化方法，速度比较快。
（4）可以进行可视化展示，便于分析。
理论上越多的树训练的效果就会越好，但实际上基本超过一定数量最终的效果就差不多上下浮动了。
典型代表：AdaBoost， Xgboost。
Adaboost会根据前一次的分类效果调整数据权重，如果某一个数据在这次分错了，那么在下一次我就会给它更大的权重。最终的结果：每个分类器根据自身的准确性来确定各自的权重，再合体。
Adaboost工作流程：每一次切一刀！最终合在一起，弱分类器这就升级了！
堆叠方式：很暴力的那种，拿来一堆直接上（各种分类器都来了），可以堆叠各种各样的分类器（KNN,SVM,RF,DT等等）
Stacking是一种分层模型集成框架。以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为训练集进行再训练，从而得到完整的stacking模型。
分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练 。
堆叠在一起确实能使得准确率提升，但是显然速度是个问题。集成算法是竞赛与论文神器，当我们更关注于结果时不妨来试试！