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