集成学习(Ensemble Learning)是机器学习领域中的一种方法，通过将多个模型组合在一起，以提高整体模型的准确性和鲁棒性。集成学习的基本思想是，通过组合多个模型的预测结果，来减少模型的偏差和方差，从而提高模型的泛化能力。

　　集成学习算法可以分为两大类：基于个体学习器的集成方法和基于元学习器的集成方法。

　　基于个体学习器的集成方法：将多个相同类型的学习器集成起来，如随机森林(Random Forest)、Adaboost、Bagging、Stacking等。其中，随机森林是一种基于决策树的集成学习算法，Adaboost是一种基于加权投票的集成学习算法，Bagging是一种基于自助采样的集成学习算法，Stacking是一种基于元学习器的集成学习算法。

　　基于元学习器的集成方法：将多个不同类型的学习器集成起来，如结合分类器(Classifier Combination)、结合回归器(Regressor Combination)等。其中，结合分类器是一种基于投票的集成学习算法，结合回归器是一种基于加权平均的集成学习算法。

　　集成学习的优点在于它可以通过组合多个模型的优点来减少模型的缺陷，从而提高整体模型的性能。但是，集成学习也存在一些缺点，如计算复杂度高、模型解释性差等。