写在前面
说起集成学习，更多的是想传递一种观念，就是利用多个分类器集成，组合实现强分类。当然了，也不仅仅是用在分类中，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。
先定义一些基本的，容易混淆的，关于学习器的概念
- 强学习器：Strong learner，相对于弱学习器而言的概念，强学习器指的是可以预测相当准确结果的学习算法。
- 弱学习器：Weak learner，相对于强学习器而言，通常这些弱学习器预测的结果只比随机结果稍好一些。
- 基学习器：Base Learner，集成学习中的个体学习器，基学习器经常是弱学习器，但是并非必须是弱学习器。
- 基学习算法：Base Learning Algorithm，基学习器所基于的算法，基学习器基于基学习算法生成，比如通过不同的训练集，经过训练之后，生成的不同参数的机器学习模型。
- 同质基学习器：Homogeneous Base Learner，指使用同样的基学习算法生成的基学习器
- 异质基学习器：Heterogeneous Base Learner，指使用不同的基学习算法生成的基学习器
集成学习算法两步走
- 构建基学习器：生成一系列基学习器，这个过程可以是并行的（Parallel）也可以是顺序的（Sequential）（在顺序型的生成过程中，前期生成的基学习器会对后续生成的学习器有影响）
- 组合基学习器：这些基学习器被组合起来使用，最常见的组合方法比如用于分类的多数投票（majority
voting），以及用于回归的权重平均（weighted averaging）。
集成学习算法构成方法分两类
- 平行方法： 构建多个独立的学习器，取他们的预测结果的平均 个体学习器之间不存在强依赖关系，一系列个体学习器可以并行生成。通常是同质的弱学习器，代表算法是Bagging和随机森林（Random Forest）系列算法。
- 顺序化方法： 多个学习器是依次构建的 个体学习器之间存在强依赖关系，因为一系列个体学习器需要串行生成 。通常是异质的学习器，代表算法是Boosting系列算法，比如AdaBoost，梯度提升树（GBDT）等
也就是说，如何定义一个完整的集成学习算法，有几个问题需要考虑：
如何生成若干个基学习器；
如何选择一种组合策略，将这些个体学习器集合成一个强学习器。
集成学习算法的策略三种
集成学习的算法策略有许多种，主要有三个比较有代表性的：Boosting、Bagging、Stacking。
为了说明这三种方法，定义一个二元分类任务：
X表示样例空间，Y表示分类标签，即{-1,+1}
训练数据集D={(x1,y1),(x2,y2),…,(xm,ym)}，其中xi∈X，yi∈Y（i=1,…,m）
Boosting
Bagging
Stacking
参考文献
https://zhuanlan.zhihu.com/p/445039170
https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/springerEBR09.pdf