参考博客：https://blog.csdn.net/qq_31342997/article/details/88078213
https://blog.csdn.net/u012969412/article/details/76636336
https://blog.csdn.net/maqunfi/article/details/82220115
https://www.jianshu.com/p/fc4de92a9486
一、模型融合的概念
先产生一组“个体学习器 ”，再用某种策略将它们结合起来，加强模型效果。
二、常见模型融合的方法
boosting方法介绍：迭代的训练某个基本模型（base model），每次根据上一轮预测错误得到情况来修改训练样本的权重，比较容易过拟合。
bagging方法介绍：抽取训练集中不同的子集来训练每个基本模型（base model），最后对每个base model进行投票（少数服从多数的思想）。
stacking方法介绍：层次融合的思想，第一轮用多个基本模型（一种多个，或多种）训练，然后对其结果用LR在训练（为了匹配每个基本模型的权重）。
blending方法介绍：层次融合的思想，用不相交的数据。将训练集train数据划分两部分（d1,d2），用对d1训练的模型去预测d2,test。
用上一轮d2的预测值和标签训练新的分类器，然后把test的New Features输入作为最终的预测值。
三、各种模型融合的区别
Bagging，Boosting二者之间的区别
（1）样本选择上：
Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。
Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。
（2）样例权重：
Bagging：使用均匀取样，每个样例的权重相等
Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。
（3）预测函数：
Bagging：所有预测函数的权重相等。
Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。
（4）并行计算：
Bagging：各个预测函数可以并行生成
Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。
Stacking，Blending二者之间的区别
1.Blending方式和Stacking方式很类似，相比Stacking更简单点，两者区别是：
blending是直接准备好一部分10%留出集只在留出集上继续预测，用不相交的数据训练不同的 Base Model，将它们的输出取（加权）平均。
实现简单，但对训练数据利用少了。
2.blending 的优点是：比stacking简单，不会造成数据穿越（所谓数据创越，就比如训练部分数据时候用了全局的统计特征，导致模型效果过分的好），
generalizers和stackers使用不同的数据，可以随时添加其他模型到blender中。
3.缺点在于：blending只使用了一部分数据集作为留出集进行验证，而stacking使用多折交叉验证，比使用单一留出集更加稳健
4.两个方法都挺好，看偏好了，可以一部分做Blending、一部分做Stacking。
原文：https://www.cnblogs.com/tyh666/p/11666690.html