【机器学习】万字长文详解集成学习 Ensemble Learning：从 Bagging、Boosting 到 Stacking 的全解析

1 什么是 Ensemble Learning？

Ensemble Learning，中文通常称为集成学习，是一种非常重要的机器学习思想。它的核心思想是不依赖单个模型做决策，而是训练多个模型，并将它们的预测结果组合起来，从而获得更稳定、更准确、更鲁棒的最终模型。

在机器学习中，一个模型可能会因为训练数据、特征选择、模型结构、参数设置等原因产生误差。集成学习的目标就是通过多个模型协同工作，降低单个模型的不确定性。

举一个生活中的例子：假设你要判断一家公司是否值得投资。你可以只听一个专家的意见，也可以同时参考多位专家的判断，然后综合他们的观点做决定。通常情况下，多个专家的综合意见会比单个专家更可靠。
机器学习中的集成学习也是类似的思想。在机器学习建模过程中，我们经常会遇到以下问题：

1. 单个模型容易过拟合；
2. 单个模型对训练数据变化敏感；
3. 单个模型预测结果不够稳定；
4. 某些模型偏差较大；
5. 某些模型方差较大；
6. 数据噪声较多，模型容易受到干扰。

集成学习通过组合多个模型，可以有效缓解这些问题。从误差角度来看，模型的泛化误差通常可以拆分为：
泛化误差 = 偏差 B i a s + 方差 V a r i a n c e + 噪声 N o i s e 泛化误差 = 偏差 Bias + 方差 Variance + 噪声 Noise泛化误差=偏差Bias+方差Variance+噪声Noise
其中：

• 偏差 Bias：模型过于简单，无法很好拟合真实规律；
• 方差 Variance：模型对训练数据过于敏感，泛化能力差；
• 噪声 Noise：数据中本身存在的随机误差，通常无法完全消除。

集成学习有效的关键在于两个条件：

1. 基学习器要有一定准确性：如果每个模型都完全随机预测，那么集成起来也没有意义。每个基模型至少应该比随机猜测好一些。
2. 基学习器之间要有差异性：如果所有模型都完全一样，那么集成结果和单个模型没有区别。好的集成模型希望基学习器之间具有一定差异性。
   差异性可以来自：

• 不同的训练样本；
• 不同的特征子集；
• 不同的模型结构；
• 不同的超参数；
• 不同的数据预处理方式；
• 不同的随机种子。

这也是为什么随机森林比单棵决策树更稳定，因为随机森林中的每棵树都不完全相同。

不同类型的集成学习方法，主要解决的问题也不同：

2 集成学习的基本思想

集成学习包含两个步骤：

2.1 构造多个基学习器

基学习器，也叫 base learner，指的是参与集成的单个模型。常见的基学习器包括：

• 决策树；
• 逻辑回归；
• 支持向量机；
• KNN；
• 神经网络；
• 朴素贝叶斯；
• 线性回归；
• 随机森林中的单棵树；
• GBDT 中的单棵树。

基学习器可以是同一种模型，也可以是不同类型的模型。
① 如果多个基学习器属于同一种模型，这类集成通常叫做同质集成。例如随机森林中有很多棵决策树。

关于随机森林模型的介绍，可以参见我写的这一篇文章：【数学建模】随机森林算法详解：原理、优缺点及应用 。

②如果多个基学习器来自不同模型，这类集成通常叫做异质集成。例如同时使用逻辑回归、随机森林、XGBoost、SVM，再做融合。

2.2 组合多个模型的预测结果

集成学习需要将多个模型的输出进行组合。对于分类任务，常见方式包括：

• 投票法 Voting；
• 加权投票 Weighted Voting；
• 概率平均；
• 加权概率平均；
• 使用元学习器进行融合。

对于回归任务，常见方式包括：

• 简单平均；
• 加权平均；
• 使用元模型预测最终结果。

3 集成学习的三大主流方法：Bagging、Boosting、Stacking

3.1 Bagging：并行式集成学习

3.1.1 Bagging 的核心思想

Bagging 是 Bootstrap Aggregating 的缩写。它的核心思想是：从原始训练集中有放回地随机采样，构造多个不同的训练子集，然后分别训练多个模型，最后将这些模型的结果进行平均或投票。
Bagging 的训练过程是并行的，也就是说多个基模型之间没有依赖关系。
Bagging 通常用于降低模型方差，使模型更加稳定。

3.1.2 Bootstrap 有放回采样

Bagging 中非常重要的一个概念是Bootstrap Sampling，也就是有放回采样。
假设原始训练集有 N 条数据。每次从这 N 条数据中随机抽取一条，抽完之后再放回，然后继续抽取，重复 N 次，得到一个新的训练子集。
由于是有放回采样，所以：

• 某些样本可能会被重复抽到；
• 某些样本可能一次都没有被抽到；
• 每个子集都和原始数据集相似，但又不完全相同。
  这样就可以训练出多个存在差异的模型。

3.1.3 Bagging 的预测方式

对于分类任务，最终类别 = 多个模型预测结果的多数投票。
例如有 5 个模型预测某个样本：

模型1：正类 模型2：正类 模型3：负类 模型4：正类 模型5：负类

最终正类有 3 票，负类有 2 票，所以输出正类。
对于回归任务，最终预测值 = 多个模型预测值的平均值。
例如：

模型1预测：80 模型2预测：82 模型3预测：78 模型4预测：81 模型5预测：79

最终结果为：

(80 + 82 + 78 + 81 + 79) / 5 = 80

3.1.4 Bagging 的代表算法：随机森林

随机森林 Random Forest 是 Bagging 思想最经典的代表算法。随机森林由多棵决策树组成，每棵树使用不同的训练样本和特征子集进行训练。
随机森林相比普通决策树有明显优势：

• 不容易过拟合；
• 预测结果更稳定；
• 对异常值和噪声不太敏感；
• 可以处理高维特征；
• 可以输出特征重要性。

随机森林引入了两种随机性：

1. 样本随机：每棵树使用 Bootstrap 采样得到的样本；
2. 特征随机：每次节点分裂时，只从部分特征中选择最优特征。

正是这两种随机性，使得每棵树之间存在差异，从而提升集成效果。

关于随机森林模型的介绍，可以参见我写的这一篇文章：【数学建模】随机森林算法详解：原理、优缺点及应用 。

3.1.5 使用 scikit-learn 实现随机森林分类

fromsklearn.datasetsimportload_irisfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifierfromsklearn.metricsimportaccuracy_score# 加载数据iris=load_iris()X=iris.data y=iris.target# 划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 构建随机森林模型model=RandomForestClassifier(n_estimators=100,max_depth=None,random_state=42)# 训练模型model.fit(X_train,y_train)# 预测y_pred=model.predict(X_test)# 评估准确率acc=accuracy_score(y_test,y_pred)print("Accuracy:",acc)

其中：

• n_estimators表示森林中树的数量；
• max_depth表示每棵树的最大深度；
• random_state用于控制随机性，保证实验可复现。

3.1.6 Bagging 的优缺点

优点:

1. 可以有效降低模型方差；
2. 模型更加稳定；
3. 不容易过拟合；
4. 支持并行训练，效率较高；
5. 适合高方差模型，例如决策树。

缺点:

1. 对降低偏差帮助有限；
2. 模型解释性较差；
3. 模型数量较多时，预测速度可能变慢；
4. 对弱模型的提升不如 Boosting 明显。

3.2 Boosting：串行式集成学习

3.2.1 Boosting 的核心思想

Boosting 是另一类非常重要的集成学习方法。它的核心思想是：多个弱学习器按顺序训练，后一个模型重点学习前一个模型预测错误的样本，最终将多个弱学习器组合成一个强学习器。

Boosting 和 Bagging 的最大区别在于：

• Bagging 中的模型是并行训练的，Boosting 中的模型是串行训练的；
• Bagging 主要降低方差，Boosting 主要降低偏差。

3.2.2 什么是弱学习器？

弱学习器指的是性能只比随机猜测略好一点的模型。例如在二分类任务中，随机猜测准确率大约是 50%。如果某个模型准确率是 55%，它就可以看作一个弱学习器。

Boosting 的强大之处在于：即使每个模型都很弱，只要它们不断纠正前面模型的错误，最终也可以组合成一个性能很强的模型。（降低偏差）

3.2.3 Boosting 的基本流程

Boosting 的训练过程：

1. 初始化样本权重；
2. 训练第一个弱学习器；
3. 根据预测错误调整样本权重；
4. 错误样本权重变大，正确样本权重变小；
5. 训练下一个弱学习器；
6. 重复上述过程；
7. 将多个弱学习器加权组合，得到最终模型。

3.2.4 AdaBoost

AdaBoost 是最早也最经典的 Boosting 算法之一。AdaBoost 的基本思想是：对于前一个模型分类错误的样本，提高其权重；对于分类正确的样本，降低其权重。后续模型会更加关注难分类样本。

AdaBoost 的特点：

• 每轮训练都会调整样本权重；
• 错误率低的模型拥有更大的投票权重；
• 最终模型是多个弱分类器的加权组合。

使用 scikit-learn 实现 AdaBoost：

fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportAdaBoostClassifierfromsklearn.treeimportDecisionTreeClassifierfromsklearn.metricsimportaccuracy_score# 加载数据data=load_breast_cancer()X=data.data y=data.target# 划分数据集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 定义弱学习器base_model=DecisionTreeClassifier(max_depth=1)# 构建 AdaBoost 模型model=AdaBoostClassifier(estimator=base_model,n_estimators=100,learning_rate=0.5,random_state=42)# 训练模型model.fit(X_train,y_train)# 预测y_pred=model.predict(X_test)# 评估acc=accuracy_score(y_test,y_pred)print("Accuracy:",acc)

说明：

• max_depth=1的决策树也叫决策树桩；
• n_estimators表示弱学习器数量；
• learning_rate表示每个弱学习器的贡献缩放比例。

3.2.5 GBDT

GBDT 的全称是 Gradient Boosting Decision Tree，即梯度提升决策树。GBDT 也是 Boosting 家族中的经典算法。它的核心思想是：每一轮训练一个新的决策树，用来拟合前一轮模型的残差或负梯度方向。

对于回归任务，残差可以简单理解为：残差 = 真实值 - 当前模型预测值。
例如真实房价为 100 万，当前模型预测为 80 万，那么残差为 20 万。下一棵树就会重点学习这个 20 万的误差。

GBDT 的最终预测结果是多个树的累加：
最终预测 = 初始预测 + 第1棵树预测 + 第2棵树预测 + … + 第M棵树预测

使用 scikit-learn 实现 GBDT 分类：

fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportGradientBoostingClassifierfromsklearn.metricsimportaccuracy_score# 加载数据data=load_breast_cancer()X=data.data y=data.target# 划分数据集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 构建 GBDT 模型model=GradientBoostingClassifier(n_estimators=100,learning_rate=0.1,max_depth=3,random_state=42)# 训练模型model.fit(X_train,y_train)# 预测y_pred=model.predict(X_test)# 评估acc=accuracy_score(y_test,y_pred)print("Accuracy:",acc)

3.2.6 XGBoost、LightGBM 和 CatBoost

在实际工程中，Boosting 系列算法非常常用，尤其是以下三个模型：

1. XGBoost
XGBoost 是 Extreme Gradient Boosting 的缩写，是 GBDT 的高效工程实现和改进版本。它的特点包括：

• 支持正则化；
• 支持并行计算；
• 支持缺失值处理；
• 支持列采样；
• 训练速度快；
• 泛化能力强。

2. LightGBM
LightGBM 是微软提出的一种高效梯度提升框架。它的特点包括：

• 训练速度非常快；
• 内存占用较低；
• 适合大规模数据；
• 使用直方图算法；
• 使用 Leaf-wise 生长策略；
• 对高维稀疏特征表现较好。

3. CatBoost

CatBoost 是 Yandex 开源的 Boosting 算法。它的特点包括：

• 对类别特征支持较好；
• 减少特征预处理成本；
• 对类别型数据表现优秀；
• 对参数不敏感，默认效果通常较好。

3.2.7 Boosting 的优缺点

优点:

1. 通常预测精度很高；
2. 可以有效降低偏差；
3. 能够处理复杂非线性关系；
4. 在结构化数据任务中表现非常强；
5. XGBoost、LightGBM、CatBoost 在工业界和竞赛中应用广泛。

缺点:

1. 模型串行训练，并行化不如 Bagging 简单；
2. 对噪声和异常值较敏感；
3. 参数较多，调参成本较高；
4. 模型解释性相对较弱；
5. 训练不当容易过拟合。

3.3 Stacking：模型融合的高级方法

3.3.1 Stacking 的核心思想

Stacking，也叫堆叠泛化，是一种更灵活的集成学习方法。它的核心思想是：先训练多个不同的基础模型，然后将这些模型的预测结果作为新的特征，再训练一个二级模型来学习如何融合这些结果。

Stacking 通常包含两层，第一层是多个base model，第二层是一个meta model：

例如第一层有三个模型：Random Forest、XGBoost、Logistic Regression，它们分别对样本做预测，得到三个预测结果：

模型1预测概率：0.82 模型2预测概率：0.76 模型3预测概率：0.68

然后将这些预测结果组成新的特征：

[0.82, 0.76, 0.68]

再交给第二层模型，例如逻辑回归，输出最终预测结果。

3.3.2 Stacking 的基本流程

Stacking 的训练过程通常如下：

1. 将训练集划分为 K 折；
2. 对每个基础模型进行 K 折训练；
3. 得到每个训练样本的 out-of-fold 预测结果；
4. 使用这些预测结果作为新的训练特征；
5. 训练第二层元模型；
6. 测试时，先让基础模型预测，再让元模型融合结果。

因为如果直接用基础模型在训练集上的预测结果训练元模型，容易产生数据泄漏。基础模型已经见过这些训练样本，所以它在训练集上的预测结果可能过于乐观。元模型如果基于这些结果训练，就会产生过拟合。
因此，Stacking 通常使用 K 折交叉验证生成 out-of-fold 预测，使得某个样本的预测结果必须来自没有见过它的模型，这样可以更真实地模拟测试集上的预测情况。

3.3.3 使用 scikit-learn 实现 Stacking

fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportRandomForestClassifier,GradientBoostingClassifier,StackingClassifierfromsklearn.linear_modelimportLogisticRegressionfromsklearn.svmimportSVCfromsklearn.metricsimportaccuracy_score# 加载数据data=load_breast_cancer()X=data.data y=data.target# 划分数据X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 第一层基础模型base_models=[("rf",RandomForestClassifier(n_estimators=100,random_state=42)),("gbdt",GradientBoostingClassifier(random_state=42)),("svc",SVC(probability=True,random_state=42))]# 第二层元模型meta_model=LogisticRegression(max_iter=1000)# Stacking 模型model=StackingClassifier(estimators=base_models,final_estimator=meta_model,cv=5)# 训练model.fit(X_train,y_train)# 预测y_pred=model.predict(X_test)# 评估acc=accuracy_score(y_test,y_pred)print("Accuracy:",acc)

3.3.4 Stacking 的优缺点

优点：

1. 可以融合不同类型模型的优势；
2. 通常效果较好；
3. 模型组合非常灵活；
4. 适合竞赛和复杂业务场景；
5. 能够充分利用多个模型的预测信息。

缺点：

1. 实现复杂度较高；
2. 训练成本较大；
3. 容易产生数据泄漏；
4. 解释性较差；
5. 模型部署复杂度较高。

3.4 Voting：最简单的集成方式

除了 Bagging、Boosting、Stacking，Voting 也是一种常见的集成方法。Voting 的思想非常简单，即同时训练多个模型，然后通过投票或概率平均得到最终结果。
Voting 主要分为两种：Hard Voting 和 Soft Voting。

3.4.1 Hard Voting

Hard Voting 指的是多数投票。例如三个模型分别预测：

模型1：类别 A 模型2：类别 B 模型3：类别 A

最终类别为 A。

3.4.2 Soft Voting

Soft Voting 指的是概率平均。例如三个模型预测某个样本属于正类的概率分别为：

模型1：0.8 模型2：0.7 模型3：0.6

最终正类概率为：

(0.8 + 0.7 + 0.6) / 3 = 0.7

如果阈值为 0.5，则最终预测为正类。
Soft Voting 通常比 Hard Voting 更稳定，因为它利用了模型输出的概率信息。

3.4.3 使用 scikit-learn 实现 Voting

fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.ensembleimportVotingClassifier,RandomForestClassifierfromsklearn.linear_modelimportLogisticRegressionfromsklearn.svmimportSVCfromsklearn.metricsimportaccuracy_score# 加载数据data=load_breast_cancer()X=data.data y=data.target# 划分数据X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 定义多个模型clf1=LogisticRegression(max_iter=1000)clf2=RandomForestClassifier(n_estimators=100,random_state=42)clf3=SVC(probability=True,random_state=42)# Soft Votingmodel=VotingClassifier(estimators=[("lr",clf1),("rf",clf2),("svc",clf3)],voting="soft")# 训练model.fit(X_train,y_train)# 预测y_pred=model.predict(X_test)# 评估acc=accuracy_score(y_test,y_pred)print("Accuracy:",acc)

3.5 Bagging、Boosting、Stacking 对比

4 集成学习中的常见参数

4.1 n_estimators

表示基学习器数量。

在随机森林、AdaBoost、GBDT、XGBoost、LightGBM 中都很常见。

一般来说：

• n_estimators太小，模型能力不足；
• n_estimators太大，训练成本增加；
• 对于 Boosting，过大还可能导致过拟合。

4.2 learning_rate

主要出现在 Boosting 算法中。

它控制每个弱学习器对最终结果的贡献大小。

一般来说：

• learning_rate较小，模型学习更慢，但可能泛化更好；
• learning_rate较大，模型学习更快，但可能过拟合；
• 通常需要和n_estimators一起调节。

4.3 max_depth

表示树模型的最大深度。

• 深度越大，模型越复杂；
• 深度越小，模型越简单；
• 深度过大容易过拟合；
• 深度过小容易欠拟合。

在随机森林中，单棵树可以适当深一些。在 Boosting 中，通常使用较浅的树。

4.4 subsample

表示每轮训练使用的样本比例，如subsample = 0.8表示每轮只使用 80% 的训练样本。
它可以增加随机性，降低过拟合风险。

4.5 colsample_bytree

常见于 XGBoost 和 LightGBM，表示每棵树使用的特征比例。例如colsample_bytree = 0.8表示每棵树只使用 80% 的特征。
这样可以增加模型差异性，提高泛化能力。

5 关于集成学习在实际应用时的一些建议

5.1 一些情景下的应用建议

1. 数据量较小时，可以优先考虑：

• 随机森林；
• AdaBoost；
• GBDT；
• 简单 Voting；
• 简单 Stacking。

数据量较小时，过于复杂的集成模型容易过拟合。

2. 数据量较大时，可以优先考虑：

• LightGBM；
• XGBoost；
• CatBoost；
• 随机森林。

其中 LightGBM 在大规模数据上训练速度较快。

3. 类别特征较多时，可以优先考虑：

• CatBoost；
• LightGBM；
• 经过编码后的 XGBoost。

CatBoost 对类别特征支持较好，通常可以减少人工特征编码成本。

5.2 集成学习的注意事项

1. 不要盲目堆模型
集成学习不是模型越多越好。如果多个模型高度相似，增加模型数量并不会带来明显提升，反而会增加训练和部署成本。

2. 注意数据泄漏
在 Stacking 中尤其要注意数据泄漏问题。
先用整个训练集训练基础模型，再用基础模型对训练集预测，最后训练元模型的做法会导致元模型看到过于乐观的预测结果。
正确做法是使用 K 折交叉验证生成 out-of-fold 预测结果。

3. 注意训练成本
集成学习通常比单模型更耗费计算资源，尤其是模型数量很多、数据量很大、特征维度很高、使用多层 Stacking 或复杂调参策略等情况下。在实际项目中，需要平衡模型效果和工程成本。

4. 注意模型解释性
集成模型通常比单模型更难解释。如果业务场景对解释性要求很高，例如金融风控、医疗诊断等，需要结合：

• 特征重要性；
• SHAP；
• LIME；
• PDP；
• 业务规则分析。

5.3 面试常见问题

5.3.1 Bagging 和 Boosting 有什么区别？

Bagging 是并行训练多个模型，主要用于降低方差；Boosting 是串行训练多个模型，后一个模型关注前一个模型的错误，主要用于降低偏差。

5.3.2 随机森林为什么不容易过拟合？

随机森林通过样本随机和特征随机训练多棵决策树，然后对结果进行投票或平均。单棵树可能过拟合，但多棵树的平均结果可以降低方差，因此整体更稳定。

5.3.3 XGBoost 为什么效果好？

XGBoost 在 GBDT 基础上进行了多方面优化，包括正则化、二阶梯度信息、列采样、缺失值处理、并行计算等，因此在很多结构化数据任务上表现优秀。

5.3.4 Stacking 为什么容易数据泄漏？

如果基础模型先在整个训练集上训练，再对同一训练集预测，并将这些预测结果用于训练元模型，那么元模型实际上使用了“被基础模型见过的数据”，预测结果会过于乐观，导致数据泄漏。

5.3.5 集成学习一定比单模型好吗？

不一定。集成学习通常能提升模型稳定性和预测精度，但前提是基学习器要有一定准确性，并且模型之间要有差异性。如果多个模型都很差，或者模型之间高度相似，集成效果可能并不好。

6 完整示例：对比多个集成模型效果

下面使用乳腺癌数据集，对比随机森林、AdaBoost、GBDT 和 Stacking 的效果。

fromsklearn.datasetsimportload_breast_cancerfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportaccuracy_scorefromsklearn.ensembleimport(RandomForestClassifier,AdaBoostClassifier,GradientBoostingClassifier,StackingClassifier)fromsklearn.treeimportDecisionTreeClassifierfromsklearn.linear_modelimportLogisticRegressionfromsklearn.svmimportSVC# 1. 加载数据data=load_breast_cancer()X=data.data y=data.target# 2. 划分训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.2,random_state=42)# 3. 定义模型models={"RandomForest":RandomForestClassifier(n_estimators=100,random_state=42),"AdaBoost":AdaBoostClassifier(estimator=DecisionTreeClassifier(max_depth=1),n_estimators=100,learning_rate=0.5,random_state=42),"GBDT":GradientBoostingClassifier(n_estimators=100,learning_rate=0.1,max_depth=3,random_state=42)}# 4. 定义 Stacking 模型base_models=[("rf",RandomForestClassifier(n_estimators=100,random_state=42)),("gbdt",GradientBoostingClassifier(random_state=42)),("svc",SVC(probability=True,random_state=42))]stacking_model=StackingClassifier(estimators=base_models,final_estimator=LogisticRegression(max_iter=1000),cv=5)models["Stacking"]=stacking_model# 5. 训练并评估forname,modelinmodels.items():model.fit(X_train,y_train)y_pred=model.predict(X_test)acc=accuracy_score(y_test,y_pred)print(f"{name}:{acc:.4f}")

输出结果可能类似：

RandomForest: 0.9649 AdaBoost: 0.9737 GBDT: 0.9561 Stacking: 0.9825

注意：具体结果可能会因为 scikit-learn 版本、随机种子、数据划分方式不同而略有差异。

7 总结

集成学习是机器学习中非常重要的一类方法，它通过组合多个模型来提升整体预测能力。

本文主要介绍了以下内容：

1. Ensemble Learning 的基本概念；
2. 集成学习为什么有效；
3. Bagging 的原理和随机森林；
4. Boosting 的原理和 AdaBoost、GBDT；
5. XGBoost、LightGBM、CatBoost 的基本特点；
6. Stacking 的原理和实现；
7. Voting 的简单融合方式；
8. 集成学习的参数、应用场景和注意事项；
9. 使用 scikit-learn 完成集成学习实战。

简单总结：

Bagging：多个模型并行训练，降低方差，代表算法是随机森林。 Boosting：多个模型串行训练，降低偏差，代表算法是 AdaBoost、GBDT、XGBoost、LightGBM。 Stacking：多层模型融合，利用不同模型的优势，常用于竞赛和复杂业务场景。 Voting：最简单的模型融合方法，适合快速构建 baseline。

在实际项目中，集成学习是一种非常强大的建模工具。尤其是在结构化数据任务中，随机森林、XGBoost、LightGBM、CatBoost 往往可以作为非常重要的 baseline 模型。

集成学习在实际业务中应用非常广泛，尤其适合结构化数据任务。常见应用包括：

1. 信用评分；
2. 风控建模；
3. 欺诈检测；
4. 用户流失预测；
5. 推荐系统；
6. 广告点击率预测；
7. 医疗风险预测；
8. 房价预测；
9. 销售额预测；
10. 金融量化建模；
11. Kaggle、天池等机器学习竞赛。

在表格型数据任务中，XGBoost、LightGBM、CatBoost 经常是非常强的 baseline。

不过，集成学习并不是万能的。使用时需要综合考虑：

• 模型效果；
• 训练成本；
• 推理速度；
• 可解释性；
• 数据泄漏风险；
• 部署复杂度。

合理使用集成学习，往往能够显著提升机器学习模型的表现。