模型集成关键在于利用基模型差异互补，而非简单叠加；需选3–5个原理各异的模型，分类用投票、回归用加权平均或Stacking，辅以扰动、校准与多验证集评估提升稳定性。
模型集成不是简单地把几个模型结果加起来，而是通过合理设计组合逻辑，降低单个模型的偶然误差，让最终预测更鲁棒、更可解释。关键不在“堆模型”，而在“懂差异”——利用不同模型对数据偏差、噪声、特征敏感度的天然区别，互相补位。
选基模型：多样性比单个精度更重要
挑3–5个原理差异明显的模型作为基础，比如：
- 线性模型（如 LogisticRegression 或 Ridge）——擅长捕捉全局趋势，对异常值敏感低
- 树模型（如 RandomForest 或 XGBoost）——自动处理非线性与交互，但易过拟合局部噪声
- 距离/概率模型（如 KNeighborsClassifier 或 GaussianNB）——依赖局部结构或分布假设，泛化行为与前两者明显不同
避免全用同类型模型（例如三个不同参数的XGBoost），那样集成后提升有限，甚至可能放大同类偏差。
集成方式：按任务类型选合适策略
分类任务优先试投票（VotingClassifier），回归任务推荐加权平均或Stacking：
立即学习“Python免费学习笔记（深入）”；
- 硬投票：适合基模型置信度较均衡时，直接取众数预测类别
- 软投票：要求各模型支持 predict_proba()，用概率均值再取最大类，更平滑、抗抖动
- Stacking：用基模型输出（如预测概率或决策函数值）作为新特征，训练一个元模型（Meta-learner，如 LinearRegression 或 LightGBM）做最终决策；适合数据量够、想挖掘模型间高阶关系的场景
小数据集慎用Stacking，容易过拟合元模型；可用 cross_val_predict 配合 StratifiedKFold 获取无泄漏的基模型输出。
稳定性增强：加扰动 + 重采样
单一集成仍可能受训练集随机性影响。可叠加两层控制：
- Bagging式集成内嵌：RandomForest 本质就是树+bagging；你也可以对非树模型手动实现，比如用 Bootstrap 重采样训练10组 LogisticRegression，再投票
- 特征扰动：每次训练基模型前，随机屏蔽10%–20%特征（尤其对高维稀疏数据有效），强制模型不依赖固定特征子集
- 预测置信度校准：用 CalibratedClassifierCV 包装分类器，让输出概率更贴近真实发生频率，后续软投票或Stacking更可靠
验证与监控：别只看准确率
集成后必须检查它是否真变“稳”了，而不是单纯变“好”了：
- 在多个随机划分的验证集（如5次不同 random_state 的 train-test split）上重复评估，看准确率/MAE的标准差是否显著下降
- 画预测分布图：对同一测试样本，跑10次集成（每次微调基模型随机种子），观察输出是否集中——越集中，稳定性越高
- 记录各基模型在验证集上的个体表现，若某个模型持续拖后腿且与其他模型预测高度一致，考虑剔除它以提升多样性
基本上就这些。模型集成不是银弹，但用对了，能让上线模型少半夜被报警叫醒。
