1、常用的集成学习方式
目前来看，常用的集成学习可以分为三类：Bagging、Boosting、Stacking。其中：
Bagging使用相同的数据集和相同类型的基决策器。不同的基决策器，并行地通过自举采样，分别训练一个决策器，然后对分类结果进行投票，从而获得最终结果。以RF为代表。
Boosting使用相同的数据集和相同类型的基决策器。不同的集决策器，串行地相同的数据集上训练。后一个决策器的权重依赖于前一个决策器的数据，后面的决策器不断地优化之前决策器的决策效果。以AdaBoost和GBDT为代表。
Stacking可以使用不同的数据集合不同类型的基决策器。后面的决策器的输入依赖于前一个决策器的输出。以GBDT+LR为代表。
2、集成学习效果分析
Bagging类型的集成学习，通过多个决策器投票，平均了某些单决策器可能出现的过拟合问题，降低了Varience；Boosting类型的集成学期，通过不断优化错误决策的结果，降低了训练集合上的误差，降低了模型的整体Bias。这两种方式都提升了模型的泛化性能。
Tips：Bagging方法，基分类器选分类Varience小的分类器好吗？(这个问题来源于HULU公众号)
答：不好。因为Bagging是降低Varience的，用varience小的分类器，bagging没有收益，甚至可能适得其反。
Stacking类型的决策器，则主要是各取不同基分类器的优点，从而优化效果。比如GDBT可以方便地处理低维连续数值特征，可以表征数据的泛化性质；LR则可以处理高维稀疏特征，表征数据的个性。GBDT和LR融合，可以更充分利用不同类型的信息。