9.10 集成学习的动机和优势
与单一的学习模型相比，集成学习模型的优势在于能够把多个单一学习模型有机地结合起来，获得一个统一的集成学习模型，从而获得更准确、稳定和强壮的结果。在美国 NETFLIX 电影推荐比赛中，基于集成学习的推荐算法获得了第一名。在多次 KDD 和 ICDM 的数据挖掘竞赛中，基于集成学习的算法都取得了最好的成绩。集成学习算法已成功应用于智能交通中的行人检测、车辆检测等，图像和视频处理中动作检测、人物追踪、物体识别等，生物信息学蛋白质磷酸化位点预测、基因组功能预测、癌症预测等，数据挖掘中的脑电数据挖掘、数据流挖掘等。近年来，各种各样的集成学习模型相继提出，并应用于各种类型的数据集中[1-2] 。此外，在大数据时代，存在着大量多源异构数据。在进行模式挖掘的过程中，往往需要同时用到来自不同数据源且具有不同结构的数据。例如在蛋白质功能的预测上，需要用到基因调控网络、蛋白质与蛋白质相互作用网络、mRNA 网络等多种数据。因此，设计高效的多层次、多角度的自适应集成学习模型是解决多源异构海量数据的方法之一。
