集成模型（Ensemble Models）是在機器學習中通過結合多個基礎模型（Base Models）來提升整體預測性能和穩定性的技術。常見的集成模型方法主要有以下幾類：
常見集成模型類型
1. 裝袋法（Bagging，Bootstrap Aggregating）• 通過對訓練數據進行有放回抽樣生成多個子集，訓練多個基模型（如決策樹）。
• 預測時對多個基模型結果進行平均（迴歸）或多數投票（分類）。
• 代表算法：隨機森林（Random Forest）。
2. 提升法（Boosting）
• 基於順序訓練基模型，每個模型更關注前一模型錯誤分類的樣本。
• 結合弱學習器策略，不斷優化模型，提高準確度。
• 代表算法：AdaBoost、梯度提升機（GBDT）、XGBoost、LightGBM。
3. 堆疊法（Stacking）
• 將多種不同基模型的輸出作為新特徵，訓練第二層模型做最終預測。
• 能利用多種模型優勢，綜合提升預測效果。
4. 級聯法（Cascading）
• 模型串行組合，每個模型根據前一模型的結果優化自己的預測。
• 多用於分階段決策問題。
簡單比喻：
集成模型就像投票決策，由多位專家各自判斷，再綜合意見得出更準確的結論。
總結：
常見集成模型包括裝袋法（如隨機森林）、提升法（如AdaBoost、XGBoost）、堆疊法和級聯法，通過整合多模型結果提升預測準確性與穩健性。
