假设我们有很多机器学习算法（可以是前面学过的任何一个），我们能不能同时使用它们来提高算法的性能？也即：三个臭皮匠赛过诸葛亮。
有这么几种aggregation的方式：
一些性能不太好的机器学习算法（弱算法），如何aggregation，成为表现比较好的算法？来看一下：
我们可以看出，有时候aggregation的表现像是在做feature transform，有时候又像是在做regularization。
Blending：uniform Blending、 linear Blending、 any Blending
我们可以看出：机器学习算法A的表现，分为两部分，performance of consensus (bias) 和 expected deviation to consensus (variance)。而uniform blending提高性能是通过减小variance ，来获得更加stable的算法来实现的。
其中α必然会大于0，约束条件可以去掉。
Bagging
我们可以看出，aggregation之所以奏效，是因为机器学习算法的多样性。那么，如何产生足够多的机器学习算法？有如下几种情形。现在我们将注意力集中到：diversity by data randomness.
之前我们在uniform Blending中假想过这一情形。但是呢，那是在理想状态下，1）我们的T不可能无限大；2）我们的D不可能无限多，现在我们采用如下技术来解决：
Random Forest
什么是random forest？就是Bagging的一种特殊情况：g为决策树的情况。
为什么呢？之前我们说过uniform Blending是通过减小variance，使算法稳定，来提高算法性能。而bagging是Blending的一种特殊形式。而我们知道决策树对于数据很敏感，不同的数据会导致算法巨大的变化。Bagging正好可以减小variance。
所以可以说random forest是Bagging的一种特殊情况，也可以说random forest是为了提高决策树性能（稳定性）而使用的一种策略。
那么如何进行所谓的“bootstrap”步骤？产生大量的“D”？
那究竟需要多少棵决策树呢？作者在一次比赛中使用了12000棵。
Out-of-Bagging（OOB）技术
Bagging技术我们之前谈到过了：
也就是说，对于某个g来说，有将近三分之一的资料没有被使用！这是巨大的浪费！如何使用这些OOB资料呢？
回想一下validation：
Feature Selection
假设每一个样本有很多Feature，那其中有很多冗余的特性，有很多与问题不相关的特性，如何选择我们想要的特性呢？
