整合演算法的目的是讓，讓機器學習效果更好，單個不行，群毆走起
有一下集中常見整合學習演算法：
Bagging 訓練多個分類器取平均
Boosting ：從弱學習器開始加強，透過加權來進行訓練 ，加入一棵樹，要比原來強 。
Stacking：聚合多個分類或迴歸模型（可以分階段來做）
Bagging模型
其全稱叫做bootstrap aggregation（說白了就是並行訓練一堆分類器） ，最典型的代表就是隨機森林啦 ，所謂隨機就是資料取樣隨機，特徵選擇隨機 。森林就是很多個決策樹並行放在一起。
隨機森林 構造樹模型：
由於二重隨機性，使得每個樹基本上都不會一樣，最終的結果也會不一樣
Bagging模型 樹模型：
之所以要進行隨機，是要保證泛化能力，如果樹都一樣，那就沒意義了！
隨機森林優勢
1、它能夠處理很高維度（ feature很多）的資料，並且不用做特徵選擇
2、在訓練完後，它能夠給出哪些feature比較重要
3、容易做成並行化方法，速度比較快
4、可以進行視覺化展示，便於分析
KNN模型：
KNN就不太適合，因為很難去隨機讓泛化能力變強！
樹模型：
理論上越多的樹效果會越好，但實際上基本超過一定數量就差不多上下浮動了 。
Boosting模型
典型代表：AdaBoost， Xgboost
Adaboost會根據前一次的分類效果調整資料權重
解釋：如果某一個資料在這次分錯了，那麼在下一次我就會給它更大的權重
最終的結果：每個分類器根據自身的準確性來確定各自的權重，再合體
Adaboost工作流程
每一次切一刀！ 最終合在一起 ，弱分類器這就升級了！
Stacking模型
堆疊：很暴力，拿來一堆直接上（各種分類器都來了） ，可以堆疊各種各樣的分類器（ KNN,SVM,RF等等）
分階段：第一階段得出各自結果，第二階段再用前一階段結果訓練
為了刷結果，不擇手段！
堆疊在一起確實能使得準確率提升，但是速度是個問題
整合演算法是競賽與論文神器，當我們更關注於結果時不妨來試試！