詳細解釋
集成學習（Ensemble Learning）是結合多個基學習器預測的機器學習範式，通過多樣性減少誤差，提高性能和穩定性，是競賽和工業的常用策略。
主要類型：
- Bagging：
- 並行訓練多個模型
- 自助採樣（Bootstrap）
- 隨機森林是代表
- 降低方差
- Boosting：
- 串行訓練，糾正錯誤
- 調整樣本權重
- XGBoost、LightGBM、AdaBoost
- 降低偏差
- Stacking：
- 多層模型堆疊
- 元學習器整合
- 靈活組合
多樣性來源：
- 數據：不同子集
- 特徵：不同特徵子集
- 算法：不同模型類型
- 參數：不同超參數
優勢：
- 性能：通常優於單模型
- 穩定性：降低方差
- 魯棒性：減少過擬合
- 泛化：更好的測試性能
應用：
- 競賽：Kaggle必備
- 工業：生產系統
- 風控：穩定預測
- 推薦：混合算法
注意事項：
- 計算成本：多模型訓練
- 可解釋性：相對複雜
- 多樣性-準確性權衡
集成學習是提升模型性能的強大技術。