技术
Ensemble（集成学习）
Ensemble 是一种通过组合多个模型（如基学习器）的预测结果来提升整体性能的机器学习技术，旨在降低方差、偏差或增强泛化能力。它解决单一模型可能过拟合或不够鲁棒的问题，典型方法包括 Bagging、Boosting 和 Stacking，代表工作有随机森林和 XGBoost。
详细解释
Ensemble 的核心思想是“三个臭皮匠，顶个诸葛亮”，通过集成多个弱学习器构建强学习器。Bagging 通过自助采样训练多个模型并投票，如随机森林；Boosting 则序贯训练模型，逐步修正错误，如 AdaBoost 和梯度提升树。Stacking 使用元学习器组合基模型输出。Ensemble 在 Kaggle 竞赛和工业界广泛应用，能显著提升准确性和稳定性。近年来，深度模型集成（如快照集成）也用于提升神经网络性能。但集成会增加计算和存储开销，需权衡效果与成本。
别名与相关写法
ensembleEnsemble集成学习Ensemble Learning
相关术语
Language Model共现 2 篇
Variational Autoencoder共现 1 篇
Logistic Regression共现 1 篇
uncertainty-aware共现 1 篇
AI Coding Agent共现 1 篇
coding agents共现 1 篇
相关资讯
LLM 评委可信吗：能力相关偏差与多评委校准2026/9/14
SAGE-CP 提出路由分层校准，修复自适应 VLM 集成覆盖率失效2026/10/20
无标签可靠性估计：语言模型集成如陪审团2026/10/16
HAN+LR集成模型预测IVF/ICSI新鲜胚胎移植活产2026/10/16
加权集成采样：语言模型稀有事件概率估计方法2026/10/15
LD-EnFF：稀疏观测下的潜在动力学集合流滤波2026/10/6
TreeWalker：分组树集成推理的部分求值加速2026/10/6