模型融合是将多种调参完成的模型进行融合 。

1.简单加权融合:

1. 回归（或分类输出为概率）的数值型输出：平均法
   - 算术平均（简单、加权）
   - 几何平均
2. 分类：投票（Voting)
   • 绝对多数投票法
   • 相对多数投票法
   • 加权投票法
3. 综合：排序融合(Rank averaging)，log融合

2.stacking

构建多层模型，并利用预测结果再拟合预测。

1. 什么是stacking

   简单来说，就是当用训练数据学习出若干个基学习器后，将多个基学习器的预测结果作为新的训练集，来学习一个新的学习器。
   
   注：在stacking方法中，我们把个体学习器叫做初级学习器，用于结合的学习器叫做次级学习器或元学习器（meta-learner），次级学习器用于训练的数据叫做次级训练集。次级训练集是在训练集上用初级学习器得到的。

2. 如何进行stacking

算法如下：

• 过程1-3是训练的个体学习器的，也就是初级学习器。
• 过程5-9是使用初级学习器来预测结果，并将预测结果与真实样本标签合并，形成新的数据集作为次级学习器的训练集。
• 过程11 使用次级学习器学习新的数据集，预测的结果便是最后的结果。

3. 降低过拟合
   使用初级学习器训练的标签再利用真实标签进行再训练，容易导致过拟合，一般可使用两种方法解决：
   • 次级模型尽量选择简单的线性模型
   • 利用k折交叉验证

3.blending

blending是与stacking类似的多层模型融合模式，大致流程如下：

1. 将原始数据集划分为训练集和测试集，其中训练集需要再次划分为训练集和验证集。
2. 使用多个初级学习器对训练集进行训练，然后用训练好的模型对验证集和测试集进行预测。
3. 使用第2步中得到的验证集的预测结果作为新的训练数据，与真实样本标签合并，形成新的数据集作为次级学习器的训练集。
4. 使用次级学习器对第2步中的测试集预测结果，再进行预测，得到最后的预测结果。

blending与stacking对比

• 优点：
  1. 比stacking简单（因为不用进行k次的交叉验证）
  2. 避开了一个信息泄露问题：generlizers和stacker使用了不一样的数据集
• 缺点：
  1. 使用了很少的数据（是用holdout划分测试集，并非cv）
  2. blender可能会过拟合
  3. stacking使用多次的CV会比较稳健

【 参考资料】
1、天池新手赛
2、西瓜书