什么是集成学习

集成学习是一种分布式机器学习框架，通过构建多个学习器并将其结合起来完成学习任务。由于在实际应用中单一的学习器往往不能达到理想的学习效果，且有时单一学习器会导致过拟合，因此使用多个学习器进行集成学习往往能够达到更好的学习效果。
根据学习器训练的模型是否为同类模型，集成学习分为同质集成学习和异质集成学习两类。
1. 若训练的多个模型是同一类型的模型，则为同质集成学习，所用算法称为"基学习算法"，每一个模型称为"基学习器"。
2. 若训练的多个模型非同一类型的模型，则为异质集成学习，每一个模型称为"组件学习器"或"个体学习器"。
根据模型训练和结合策略的不同，集成学习可分为串行方法（Boosting）、并行方法（Bagging）和堆叠方法（Stacking）三类。
根据任务类型是分类还是回归，集成学习的融合方式可以分为投票(voting),平均(averaging)

sklearn中的集成算法模块ensemble

类	类的功能
ensemble.AdaBoostClassifier	AdaBoost分类
ensemble.AdaBoostRegressor	AdaBoost回归
ensemble.BaggingClassifier	袋装分类器
ensemble.BaggingRegressor	袋装回归器
ensemble.ExtraTreesClassifier	Extra-trees分类(超树，极端随机树)
ensemble.ExtraTreesRegressor	Extra-trees回归
ensemble.GradientBoostingClassifier	梯度提升分类
ensemble.GradientBoostingRegressor	梯度提升回归
ensemble.IsolationForest	孤立森林
ensemble.RandomForestClassifier	随机森林分类
ensemble.RandomForestRegressor	随机森林回归
ensemble.RandomTreesEmbedding	完全随机树的集成
ensemble.VotingClassifier	用于不合适估算器的软投票/多数规则分类器

集成算法中，有一半以上都是树的集成模型，可以想见决策树在集成中必定是有很好的效果。