集成學習（boosting/bagging/stracking/Adaboost/GBDT/xgboost/RF）

Boosting         迭代提升，串行。基於弱分類器分錯的樣本，改變樣本的概率分佈構成新訓練集，訓練一個更強的學習器。迭代得到的一系列弱分類器，根據合併弱的學習模型來創造一個強大的學習模型。但是，只有當各模型之間沒有相關性的時候組合起來後才比較強大。 （1）adaboost         不改變訓練數據，迭代時提升錯分樣本權重，減少正確分類樣本權重，最後通過加權線性組合M個弱分類器得到

>>阅读原文<<