元算法（集成方法）：是对其他算法组合的一种方式。（K近邻、朴素贝叶斯、逻辑回归、决策树、支持向量机）、
集成形式：不同算法的集成；同一算法在不同设置下的集成；数据集不同部分分配给不同分类器之后的集成。
代表：AdaBoost
1.基于数据集多重抽样的分类器
1.1 bagging(自举汇聚法）:基于数据随机抽样的分类器构建方法
算法过程：

• 从原始数据集中抽新数据集。每次抽取n个样本，原始数据集中的某个样本可能被抽取多次，也可能未被抽取到。从原始数据集选择S次后得到S个新数据集。
• 运用某个分类器分别在S个新数据集上训练，得到S个分类/回归模型
• 对分类问题：将上步得到的S个模型采用投票的方式得到分类结果(选择分类器投票结果中最多的类别作为最后的分类结果；
• 对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

代表：随机森林

1.2 boosting
不同分类器通过串行训练而获得，每个新分类器都根据已训练出的分类器的性能来进行训练。boosting是集中关注被已有分类器错分的数据来获得新的分类器。分类结果基于所有分类结果加权求和
AdaBoosting方式每次使用的是全部的样本，每轮训练改变样本的权重。下一轮训练的目标是找到一个函数f 来拟合上一轮的残差。当残差足够小或者达到设置的最大迭代次数则停止。Boosting会减小在上一轮训练正确的样本的权重，增大错误样本的权重。（对的残差小，错的残差大）。梯度提升的Boosting方式是使用代价函数对上一轮训练出的模型函数f的偏导来拟合残差。
1.3 对比
Bagging和Boosting的区别：
1）样本选择上：
Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。
Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。

2）样例权重：
Bagging：使用均匀取样，每个样例的权重相等
Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。

3）预测函数：
Bagging：所有预测函数的权重相等。
Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。

4）并行计算：
Bagging：各个预测函数可以并行生成
Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。

5）为什么说bagging是减少variance，而boosting是减少bias？

2.训练算法：基于错误提升分类器的性能
思考：能否使用弱分类器和多个实例来构建一个强分类器？
“弱”意味着分类器的性能比随机猜测要好，但是也不会好太多，在二分类情况下，错误率会高于50%；“强”分类器的错误率将会低很多。
AdaBoost(Adaptive 自适应boosting的缩写)
符号定义：
向量D为训练集中每个样本的权重
弱分类器的错误率

运行过程：

• List item