本章讨论新一类的经典算法：集成学习
集成学习（ensemble learning）指的是将多个学习器进行有效地结合，使得最终的泛化性能优于其中的任何一个学习器。
集成学习的基本结构为两方面：先分开学习出一组个体学习器，再使用某种策略将它们结合在一起。集成模型如下图所示：
同质集成&异质集成：若个体学习器都属于同一类别则为同质，反之为异质
同质集成： 个体学习器称为“基学习器”（base learner），对应的学习算法为“基学习算法”（base learning algorithm）。
异质集成： 个体学习器称为“组件学习器”（component learner）或直称为“个体学习器”。
对于集成学习，单个学习单元的准确性越高，多个学习单元差异度越高，学习效果越好。但是两者很难兼得，不同集成学习种类的产生原因之一就是为了寻找”好而不同“的模型。