集成方法（ensemble method）又叫元算法（meta-algorithm）：将不同的分类器组合起来。
通俗的说：就是三个臭皮匠赛过诸葛亮。做决定时，考虑多个人的意见，不是一个人的意见
集成方法：
1. bagging（自举汇聚法）：基于数据随机重抽样的分类器构建方法。并行算法
2. boosting（再学习）：基于所有分类器的加权求和的方法。 串行算法。
bagging：从原始数据集选择S次后得到S个新数据集的一种技术。新数据集和原数据集的大小相等。
其实就是有放回采样，获得一个和原来大小一样的新数据集。这个新数据集可能会有重复值，原始数据集的某些值在新数据集中可能不在出现。
用这样的方法构建S个新的数据集参与训练，就会得到S个分类器。测试新数据时，送到S个分类器里，得到的结果投票，数量最多的就是分类结果（得民心者得天下）。
boosting：串行训练。第一个训练完，第二个在第一个的基础上接着训练。重点关注前面分类器错分的数据（说白了就是背锅侠，前面哥们犯的错，后面的去解决）。
目前 bagging 方法最流行的版本是: 随机森林(random forest)
选男友：美女选择择偶对象的时候，会问几个闺蜜的建议，最后选择一个综合得分最高的一个作为男朋友
目前 boosting 方法最流行的版本是: AdaBoost
追女友：3个帅哥追同一个美女，第1个帅哥失败->(传授经验：姓名、家庭情况) 第2个帅哥失败->(传授经验：兴趣爱好、性格特点) 第3个帅哥成功
bagging和boosting共同点和差异点：
- bagging 是一种与 boosting 很类似的技术, 无论是boosting还是bagging，所使用的多个分类器的类型（数据量和特征量）都是一致的（就是说要用KNN，都用KNN，要用决策树，那就都用决策树）。
- bagging 是由不同的分类器（1.数据随机化 2.特征随机化）经过训练，综合得出的出现最多分类结果；boosting 是通过调整已有分类器错分的那些数据来获得新的分类器，得出目前最优的结果。
- bagging 中的分类器权重是相等的；而 boosting 中的分类器加权求和，所以权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。（就是说bagging投票是一人一票，权重相等。而boosting权重不等，可能有的权重大，有的权重小）
