集成学习算法

集成学习（ensemble learning）是时下非常流行的机器学习算法，它本身不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。
我们前面介绍的单一模型可以被称为“个体学习器”，如果是用于分类问题，也可以被称为“弱分类器”，例如决策树。

下面的分类参考周志华老师的教材。

根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类：

（1） 个体学习器间存在强依赖关系、必须串行生成的序列化方法。这种方法我们称为提升法（Boosting），其代表模型有 Adaboost(自适应提升算法，MATLAB分类学习器中使用的模型)、GBDT(梯度提升决策树)、Xgboost（极端梯度提升算法）。

（2） 个体学习器间不存在强依赖关系、可同时生成的并行化方法。这种方法我们称为装袋法（Bagging），另外，大家经常听到的**随机森林(Random Forest)**算法可以视为装袋法（Bagging）的一种改进，它们都是对决策树进行集成。具体的区别可以看周志华老师的教材。（ 注意： Bagging 是 Bootstrap aggregating 的缩写，因此有的地方也翻译成自举汇聚法）

下列视频可以初步了解：

【五分钟机器学习】Adaboost：前人栽树后人乘凉

【五分钟机器学习】随机森林（RandomForest）：看我以弱搏强