模型融合是指将多个不同的机器学习模型组合起来，通过综合多个模型的预测结果来得到更准确的预测结果。模型融合可以提高模型的鲁棒性，减小模型的方差，提高模型的泛化能力。
常见的模型融合方法包括平均法、投票法和堆叠法。
-
平均法(Averaging)：将多个模型的预测结果进行平均，可以是简单的算术平均或加权平均。平均法适用于模型预测结果的方差较小的情况。
-
投票法(Voting)：根据多个模型的预测结果，统计出现频率最高的预测结果作为最终的预测结果。投票法适用于模型预测结果的方差较大的情况。有简单投票法，加权投票法，硬投票法。
-
堆叠法(stacking/blending)：将多个模型的预测结果作为输入，训练一个新的模型来得到最终的预测结果。堆叠法可以将不同模型的优点结合起来，提高预测准确度。stacking是构建多层模型，并利用预测结果再做拟合预测；blending是选取部分数据预测训练得到预测结果作为新特征，带入剩下的数据中预测。blending只有一层，而stacking有多层。
-
综合法：有排序融合，log融合
-
boosting/bagging：树分类的提升方法，在xgboost,Adaboost,GBDT中已经用到
在进行模型融合时，需要注意选择不同模型之间具有较低的相关性，避免多个模型预测结果的冗余。同时，还需要根据具体问题选择适当的模型融合方法。