什么是集成学习？
集成学习通过建立几个模型来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。
机器学习的两个核心任务
任务一：如何优化训练数据 ---> 主要用于解决欠拟合问题
任务二：如何提升泛化性能 ---> 主要用于解决过拟合问题
集成学习中boosting和Bagging
只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的
集成学习通过建立几个模型来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。
任务一：如何优化训练数据 ---> 主要用于解决欠拟合问题
任务二：如何提升泛化性能 ---> 主要用于解决过拟合问题
只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的