集成学习 与 融合学习

• 实战参考链接：德国风控案例--进阶4

集成学习

这个案例主要使用了集成学习和融合学习的方法，集成学习一般包括并行Bagging和串行Boosting。
并行Bagging主要包括：随机森林(RF)；串行Boosting：Adaboost、GBDT(一阶差分）、XGB(二阶差分)。

融合学习

Blending

Stacking：上述案例的code，我觉得我写得有点问题，而且Stacking的逻辑图也画的有些问题。问题出在哪里？
(1) code写的有问题， (2) 图有问题。 如果对stacking不了解的同学，可以看 【机器学习】集成学习之stacking
Datawhale有一篇文章写的很好，大家可以参考：一文学习模型融合！从加权融合到stacking, boosting
这篇Kaggle提升模型性能的超强杀招Stacking——机器学习模型融合 写的也是挺不错的，作者也给出了一些模型融合的感悟：
一级模型要表现的优秀，说Stacking是一种特征转换也是很有道理的。