古人云“三个臭皮匠赛过诸葛亮”，以adaboost为代表的集成学习正是体现了古人的这个智慧，也就是说，对于弱学习器（性能比较差的学习器），通过某种算法把它们结合起来，使它们能够有缺互补，那么它们就能赛过诸葛亮（强学习器）。下面是集成学习的示意图。 图 1集成学习示意图     对于个体学习器，可以使用同类学习算法，也可以是不同类学习算法。理想的个体学习器是</

古人云“三个臭皮匠赛过诸葛亮”，以adaboost为代表的集成学习正是体现了古人的这个智慧，也就是说，对于弱学习器（性能比较差的学习器），通过某种算法把它们结合起来，使它们能够有缺互补，那么它们就能赛过诸葛亮（强学习器）。下面是集成学习的示意图。 图 1集成学习示意图     对于个体学习器，可以使用同类学习算法，也可以是不同类学习算法。理想的个体学习器是</

集成学习(Ensemble Learning)通过使用一些方法改变原始训练样本的分布，来构建多个不同的学习器，再结合这多个学习器来完成学习任务，常可获得比单一学习器显著优越的泛化性能。该过程中多个不同的分类器，叫做个体学习器或者基学习器。个体分类器之间要具备一定的差异性和准确性，即尽可能“好而不同”，个体分类器的准确度要大于0.5。集成学习的研究核心有二个内容：一者是如何构建具备一定差异性和准确率