集成学习通过自动对比多个模型的输出，将输出结合起来，融合成强大的集成模型，得出很优结果。集成学习发挥“集体智慧”，结果更准确，克服了单一模型的局限性。这种创新方法能够综合多个视角的响应；即使在没有大规模数据集的情况下，也能给出可靠的预测结果。
《集成学习实战》呈现同时应用多种机器学习方法的实用技巧。每章都列举一个独特案例（如医学诊断、情感分析等），展示一个功能完备的集成方法。《集成学习实战》不探讨深奥的数学知识，所讲内容浅显易懂，代码丰富，供你轻松进行实验！

第Ⅰ部分 集成学习基础知识
第1章 集成方法：炒作还是福音
1．1 集成方法：集体智慧
1．2 关注集成学习原因
1．3 单个模型中的拟合度与复杂性
1．3．1 决策树回归
1．3．2 支持向量回归
1．4 第一个集成模型
1．5 集成方法的术语和分类
1．6 小结
第Ⅱ部分 基本集成方法
第2章 同质并行集成：Bagging法和随机森林
2．1 并行集成
2．2 Bagging法：Bootstrap结合算法
2．2．1 直觉：重采样和模型结合
2．2．2 实现Bagging法
2．2．3 使用scikit-leam实现Bagging法
2．2．4 使用并行化进行更快的训练
2．3 随机森林
……