即各模型結果的均值
各模型結果*權值再求和，其中權值通過交叉驗證確定，權值之和為1
適合模型結果差異比較小的情況
從特徵，引數，樣本的多樣性差異性來做多模型融合，參考隨機森林
首先將訓練集分為兩部分（d1和d2），一部分用於第一層（level 1）的訓練，另一部分用於第二層（level 2）的訓練。level1 在d1上訓練了多個模型，將這些模型的**結果作為level2的feature，在d2上訓練第二層模型。
stacking在第一層模型中通過交叉驗證的方式生成**的label，作為第二層線性模型的輸入特徵（第一層有幾個模型第二層就有幾個特徵），一般模型差異越大融合效果越好。實際中也可以將**的幾個label特徵加入到原始特徵中，然後用複雜模型再次訓練。
blending和stacking的比較：
模型融合之stacking方法
之前一直對stacking一知半解，找到的資料也介紹的很模糊。所以有多看了幾篇文章，然後來此寫篇部落格，加深一下印象，順便給各位朋友分享一下。stacking的過程有一張圖非常經典，如下 雖然他很直觀，但是沒有語言描述確實很難搞懂。上半部分是用乙個基礎模型進行5折交叉驗證，如 用xgboost作為基...
模型融合 Stacking Blending
模型融合是指通過分層對模型進行整合，比如以兩層為例，第一層為基學習器，使用原始訓練集訓練基學習器，每個基學習器的輸出生成新的特徵，作為第二層模型的輸入，這樣就生成了新的訓練集 第二層模型在新的訓練集上再進行訓練，從而得到融合的模型。stacking stacking是模型融合的常用方法，重點是在第一...
keras模型融合
1.構建模型 模型1 33次風運動 defmodel1 ipt layer1 dense units 512,input dim input node,kernel initializer normal activation sigmoid name layer1 ipt layer2 dense ...