本文的课程来源：
https://www.bilibili.com/video/av23908372/?p=3
集成模型需要各种各样的子模型： 
但同时我们又不需要很高的准确率：
随着子模型地增加，总体准确率上升。 
具体地，创建差异（每个子模型是看样本数据的一部分）有两种方式： 
下面用代码来实现一个集成学习：
准备数据： 
使用Bagging训练数据：
n_estimators 表示子模型的个数，max_samples表示每个子模型的样本数目，bootstrap表示是Bagging或者Pasting 
对于Bagging方法来说，实际上约有三分之一的数据取不到： 
那么，我们可以直接用这部分的数据来当作测试样本，加入oob_score属性即可，代码如下： 
关于Bagging的更多探讨： 
下面开始介绍Boosting:
Boosting中子模型之间不是独立的，每个模型都在尝试增强整体的效果。
Ada Boosting: 
Gradient Boosting:
这种方法是每次对误差值进行训练。 
来源：CSDN
作者：少儿西笑
链接：https://blog.csdn.net/weixin_42936560/article/details/81810752