集成学习
bagging
bagging的弱分类器之间是相互独立的，容易并行，bagging方法主要是能减少方差。
bagging对样本进行采样时采用有放回的采样（自助法），一般会随机采集和训练集样本数m一样个数的样本。这样得到的采样集和训练集样本的个数相同，但是样本内容不同
代表算法：随机森林
boosting
Boosting算法的工作机制是首先从训练集用初始权重训练出一个弱学习器1，根据弱学习的学习误差率表现来更新训练样本的权重，使得之前弱学习器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的弱学习器2中得到更多的重视。然后基于调整权重后的训练集来训练弱学习器2.，如此重复进行，直到弱学习器数达到事先指定的数目T，最终将这T个弱学习器通过集合策略进行整合，得到最终的强学习器。
boosting方法弱分类之间是顺序依存的，难以并行，boosting方法主要是能减少偏差。
集成学习弱分类器结果的结合策略
1.取平均
2.投票
3.学习法：即把这些弱分类器的预测结果当作样本，用另外一个分类器去训练预测。
