什么是集成学习？
对于一个机器学习问题，通常我们有两种策略，一种是研发人员尝试各种模型，选择其中表现最好的模型进行调参优化；另一种策略就是将多个分类器的结果统一成一个最终的决策，这种策略我们就称之为集成学习，其中每个单独的分类器称为基分类器。
集成学习的种类
Boosting
Boosting的基本思路是将基分类器层层叠加，每一层在训练的时候，对前一层基分类器分错的样本，给予更高的权重。在测试的时候根据各层分类器的结果的加权得到最终结果。
Boosting方法训练基分类器时采用串行的方式，使得各个基分类器之间有依赖。
Bagging
与Boosting的串行训练方式不同，Bagging在训练的过程中，各基分类器之间无强依赖，可以进行并行训练，最著名的Bagging算法是基于决策树基分类器组成的随机森林。
Bagging中为了让基分类器之间相互独立，会将训练集分成若干个子集，在做最终决策的时候，每个个体单独做出判断，再通过投票的方式做出最终的集体决策。
常见的基分类器-决策树
最常用的基分类器时决策树，主要原因如下：
（1）决策树可以较为方便地将样本的权重整合到训练过程中，而不需要使用过采样的方法来调整样本权重。
（2）决策树的表达能力和泛化能力，可以通过调节树的层数来进行调节。
（3）决策树的不稳定性更适合用于基分类器。
