Stacking集成算法是一个两层模型的集成，第一层含有多个基础分类器，把预测的结果（元特征）提供给第二层，而第二层的分类器通常是逻辑回归，将第一层分类器的结果当作特征做拟合输出预测结果。
1、Blending集成学习算法
Blending集成学习的流程：
- (1)将数据划分为训练集和测试集（test set)，其中训练集需要再次划分为训练集（train set)和验证集(val set).
- (2)创建第一层的多个模型，这些模型可以是同质或者异质。
- (3)使用 train set训练步骤2中的多个模型，然后使用训练好的模型预测val set和test set得到val predict,test predict.
- (4)创建第二层的模型，使用val predict作为训练集训练第二层的模型。
- (5)使用第二层训练好的模型对第二层测试集test predict 进行预测，该结果作为整个测试集的结果。
Blending集成方式的优势是实现简单粗暴，没有太多的理论分析。但是缺点很明显：Blending只使用了一部分数据集作为测试集进行验证，也就是只用上数据中的一部分，实际上这对数据来说很奢侈浪费。
2、Stacking集成学习算法
回顾Blending集成算法，第二层模型只用到验证集的数据，对数据实际上是一种很大的浪费。stacking集成方法对其进行了改进，在第一层模型中对数据的划分类似于交叉验证，而不是简单的划分为训练集和测试集，针对不同的model采用不同的数据集。
3、两种算法的对比
Blending与Stacking对比：
Blending的优点在于：
- 比stacking简单（因为针对一层模型，训练集直接划分为了两个部分）
而缺点在于： - 使用了很少的数据（采样hold-out作为测试集，并非cv）
- blending可能会过拟合（其实大概率是第一点导致的）
- stacking使用多次的cv会比较稳健。