介紹
前面對模型的組合主要用了兩種方式：
（1）一種是平均/投票；
（2）另外一種是加權平均/投票；
所以，我們有時就會陷入糾結，是平均的好，還是加權的好，那如果是加權，權重又該如何分配的好？如果我們在這些模型預測的結果上再訓練一個模型對結果做預測，那麼豈不是就免除了這些煩惱；而訓練後，也可以方便的獲取這些基分類器的權重（等價於下一層級模型的特徵權重），且結果也更為客觀！簡單流程如下：
當然實際訓練時回更加細緻和複雜，比如：
（1）通常會對資料做\(k\)折切分，切分為\(k\)份，然後將每個基學習器擴充套件為\(k\)個基學習器，每個學習器學習\(k-1\)份訓練資料；
（2）對分類器，預測結果通常會取概率分佈，這樣可以提取更多的資訊；
（3）上面的結構還可以無限疊加，構建更加複雜的stacking結構，比如對新的拼接特徵又訓練幾組基分類器，然後再組合...
stacking的程式碼實現，跳轉>>>