个体与集成
- 同质：相同的基学习器，实现容易，但是很难保证差异性。
- 异质：不同的基学习器，实现复杂，不同模型之间本来就存在差异性，但是很难直接比较不同模型的输出，需要复杂的配准方法。
好而不同
boosting
Adaboost
求解h
求解alpha
bagging
随机森林
数据集划分：使用类似自助法的k折交叉验证，有放回的取出，分别训练T个决策树。
随机：一个是训练集的随机，一个是属性的随机（每次在当前属性中随机取K个构成属性子集，在子集中选择信息增益最大的属性）
结合策略
集合的好处
- 可能多个假设在训练集上达到同等性能，使用单学习器可能因为误选而导致泛化性能不佳。
- 单个可能陷入局部极小点。
- 可以使相应的假设空间扩大。
结合方法
平均法
- 简单平均
- 加权平均
投票法
- 绝对多数投票（大于一半则预测为该标记，否则拒绝）
- 相对多数投票
- 加权投票法
学习法
利用初始数据集训练出初级学习器，然后生成一个新数据集，训练一个次级学习器。
多样性增强
- 数据样本扰动
- 输入属性扰动
- 输出表示扰动
- 算法参数扰动
