伟大的凡人上个月帮一个做用户流失预测的朋友看模型，他把随机森林和梯度提升树分别调到了自己满意的状态，最后线上验证时发现两个模型的AUC几乎一样，而且怎么调整参数都卡在同一个值附近。他问我要不要加更多特征，我说你先去看看《机器学习导论》第17章“组合多学习器”，把这两个已经调好的模型放进一个Stacking框架里试试。结果线下指标直接跳了两个点，他后来跟我感慨，原来真正的提升不一定来自单个模型，而是来自“让一群会吵架的模型互相补位”。
这一章的定位很有意思：前面十几章都在讲怎么构造和训练单个学习器，到了第17章才突然把镜头拉远，讨论“如果我不只训练一个模型，而是把很多模型的结果组合起来会怎样”。这正是组合多学习器的核心思想，也是期末复习和课程实验里最容易被考到、被问到的部分。读完这一章再做事，你会明白为什么很多比赛和工业项目最终都会做模型融合，而不是死磕某一个算法的参数。
1. 组合多学习器真正要解决的问题：单个模型的天花板不在参数里
1.1 偏差与方差这杆秤，决定了你调参的极限
无论教材怎么排版，前面讲到模型复杂度时都会给出一张经典图：随着模型越来越复杂，训练误差持续下降，验证误差先降后升。这个现象背后的数学就是误差分解成三项，偏差、方差和噪声，写成最简洁的形式就是：
总误差 = 偏差² + 方差 + 不可约噪声
你平时调参实际上一直在这三项之间做交换。把模型改复杂，比如把决策树深度从3调到10，训练集分数会涨，这是在压低偏差，但模型对训练数据里的局部抖动越来越敏感，换个验证集分数就忽高忽低，这是方差在涨。反过来，加正则、剪枝、降低模型复杂度，方差变小了，偏差却又上来了。单模型的优化路径很窄，基本就是在这条跷跷板上找一个两边都能接受的平衡点。
第17章讲的组合多学习器，本质上是给你打开第三条路：不逼你在跷跷板两端里选一端，而是同时训练多个“坐姿不同”的模型，最后让它们集体对结果负责。这句话听起来很朴素，但它背后的误差分解逻辑非常清晰：Bagging类方法主要压方差，Boosting类方法主要压偏差，Stacking则试图从各种不同模型组合里学到更优的决策边界。不同策略解决问题的重点不同，但共同点是都不再依赖某一个单独模型去扛下所有误差。
1.2 “好且不同”的成员，才是组合的起点
组合多学习器有个很容易被初学者忽略的前提：成员模型要好，而且彼此要不同。如果只是把同一个模型复制三份再投票，效果和单个模型几乎一样，因为它们是同一个假设空间里的同一个点，犯的错误也会一模一样。
那“不同”能带来多少收益？可以用一个理想化的小计算说明。假设我们有三组独立的投票人，每个人判断正确的概率是65%，错误的概率是35%。如果三个人各自独立判断，那么三人采用少数服从多数时，整体出错的概率是：
P(至少两人出错) = 3 × 0.35² × 0.65 + 0.35³ ≈ 0.282
也就是说，三个正确率只有65%的独立投票人组合起来，正确率反而有约71.8%，高于任何单独一个人。如果投票人数更多，独立同分布假设下这个概率还会继续往下降。这个计算是组合多学习器最直观的理论动机之一，也是期末简答题里很容易用来解释“为什么组合有效”的论据。
但真正的机器学习模型很难做到错误完全独立。拿决策树来说，所有树看到的是同一个数据分布，用的又是同一套特征选择逻辑，很多错误模式其实是共享的。假设三个模型在同一个困难样本上都错，那投票结果还是错。这也是为什么后续的Bagging要靠随机抽样制造差异，随机森林要在特征层面做随机扰动，Boosting要通过样本权重让每个模型关注不同的数据区域。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 三种主流组合策略，对应三类不同的“开会方式”
2.1 并行开会：Bagging与随机森林的样本扰动逻辑
Bagging的思路非常直白：想让同一个算法产生不同的意见，那就让每个算法看不同的数据快照。流程是每次从训练集里做有放回抽样，抽出的样本数量等于原始训练集大小，得到一个新的采样集，然后在这个采样集上独立训练一个基学习器，重复多次，最后分类问题用投票，回归问题用平均。
这里有个数字考试很喜欢考：一次有放回抽样中，期望上约有63.2%的原始样本会被抽到，剩下的约36.8%没有出现。原因很简单，每个样本在m次抽样里一次都没被抽中的概率是：
(1 - 1/m)^m ≈ e⁻¹ ≈ 0.368
所以每个基学习器实际上只在约63.2%的数据上训练，剩下约36.8%的样本天然可以作为包外样本（OOB）来估计它的泛化能力，不需要再单独切验证集。这个性质在工程上特别实用，后面我会再展开。
Bagging为什么能压低方差，直观理解是：基学习器对训练数据的微小扰动很敏感，比如决策树这种高方差模型，数据改一点树结构可能就变了。但如果把很多棵在不同数据快照上长出来的树放在一起平均，那些因为随机抖动造成的波动会互相抵消，剩下的是更稳定的信号。所以Bagging通常用在决策树这类高方差模型上收益最大，如果基学习器本身是个方差很低的线性模型，Bagging带来的提升会相当有限。
随机森林是Bagging的一个直接升级版，它在采样数据的基础上又加了一步：每次节点分裂时不考虑全部特征，而是只从随机选出的一个特征子集里挑最优分割特征。这额外引入的属性扰动让树与树之间的差异更大，通常能进一步降低集成模型的方差。你可以把它理解为，在Bagging的“样本多样性”之上，又加了一层“视角多样性”。
2.2 串行开会：Boosting如何把上一步的错误变成下一步的重点
Boosting跟Bagging完全不同，成员模型不是并行训练、平权投票，而是串行地一个接一个训练。每一轮训练之后，算法会重点观察上一轮被分错的样本，让下一个学习器把更多注意力放到这些难点上。
以教材里最常见的AdaBoost为例：初始时每个样本权重相等，训练出第一个弱学习器后计算加权错误率ε，然后增加被分错样本的权重、降低被分对样本的权重。每个弱学习器在最终投票中的话语权由一个系数决定：
α_t = 0.5 × ln((1 - ε_t) / ε_t)
这个式子的含义值得仔细品一品：一个弱学习器的加权错误率越低，它的α越大，投票时说了越算数；如果某个学习器错误率接近0.5，α会趋近于0，说明它和随机乱猜差不多，在最终决策里几乎没有存在感。AdaBoost其实是在“自适应性”地调整样本分布和成员权重，让后面的模型越来越聚焦于前面模型搞不定的样本。
如果你读的是偏现代的机器学习导论，这一章往往还会把AdaBoost延伸到梯度提升视角。AdaBoost可以被看作是在拟合指数损失函数的加法模型，每一步加入一个新的基函数去降低整体损失；而梯度提升树则更直接，它让每一步的新学习器去拟合前面模型预测值与真实标签之间的残差，或者更一般地说，去拟合损失函数在当前预测值上的负梯度。这个过程实质上是在用串行的方式不断压低偏差，让整体模型逐渐逼近数据的真实结构。
Boosting这类方法在实际数据上的上限通常很高，但要提醒一句：它对噪声极其敏感。因为注意力集中在难分样本上，如果某个样本本身就是被标错的脏数据，Boosting会拼命去拟合它，结果就是训练集上表现完美，验证集上一塌糊涂。这一点在书里可能会一笔带过，但在真实项目里几乎一定会碰到。
2.3 分层开会：Stacking与多专家模型
Stacking是另一条完全不同的路线。Bagging和Boosting都是同一个基算法在不同数据下的表现，而Stacking直接使用异构的多个学习器，比如决策树、支持向量机、K近邻等一起上阵，把它们的预测结果作为新的特征，再训练一个次级学习器来做最终决策。
这样做的直觉是：不同算法有不同的归纳偏置，有的擅长捕捉线性趋势，有的擅长切分非线性边界，有的对局部结构更敏感。Stacking把它们的预测结果交给一个元学习器，本质上是让元学习器学习“什么时候该相信哪个模型”。元学习器通常不会选太复杂的模型，逻辑回归这类简单线性模型往往就够用，复杂模型反而容易在初级模型的输出上继续过拟合。
这里有一个关键的操作细节：生成初级学习器预测时，不能直接把它们在训练集上的预测结果喂给元学习器。因为模型对自己训练过的数据天然有“记忆”，这些预测会偏乐观，直接拿去训练元学习器会带来严重的信息泄漏。正确的做法是做交叉验证或包外预测，比如把训练集切成5折，用其中4折训练模型、预测剩下1折，轮完5次之后得到每个训练样本的“新鲜”预测，再把这些预测作为元学习器的输入。
在一些教材里，这一章还会提到多专家混合模型，也就是Mixture of Experts。它的结构和Stacking有点像，也是多个子模型加一个“门控”机制来决定输出，但两者训练逻辑不同。Stacking是两阶段式训练，先训练子模型再训练元模型，而混合专家模型通常把子模型和门控放在同一个目标函数里联合优化。如果你不是专门做这个方向，能分清Stacking和多专家模型的主要区别就已经足够应付大多数考试和面试题。
3. 用sklearn快速复现书里的核心思想：一次小实验看清差异
3.1 实验设计和完整代码
纸上谈兵没意思，我建议你不管你用什么教材，都亲手跑一个组合模型的对比实验。这里我用一个二分类模拟数据集来演示，包含2000个样本、30个特征，其中10个是有效特征，5个是冗余特征，还加了一点标签噪声，模拟真实数据里常见的粗糙感。
python复制import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import (
BaggingClassifier,
RandomForestClassifier,
AdaBoostClassifier,
GradientBoostingClassifier,
)
# 构造一个带噪声的二分类模拟数据集
X, y = make_classification(
n_samples=2000,
n_features=30,
n_informative=10,
n_redundant=5,
flip_y=0.05,
random_state=42,
)
models = {
"DecisionTree": DecisionTreeClassifier(max_depth=5, random_state=42),
"Bagging(DTree)": BaggingClassifier(
DecisionTreeClassifier(max_depth=5, random_state=42),
n_estimators=50,
n_jobs=-1,
random_state=42,
),
"RandomForest": RandomForestClassifier(
n_estimators=50,
max_features="sqrt",
n_jobs=-1,
random_state=42,
),
"AdaBoost(DTree)": AdaBoostClassifier(
DecisionTreeClassifier(max_depth=1),
n_estimators=50,
random_state=42,
),
"GradientBoosting": GradientBoostingClassifier(
n_estimators=50,
random_state=42,
),
}
for name, model in models.items():
scores = cross_val_score(model, X, y, cv=5, scoring="accuracy")
print(f"{name:<20} 平均准确率: {scores.mean():.4f} (+/- {scores.std():.4f})")
这个代码在普通笔记本上几秒钟就能跑完，不同sklearn版本数值会有些浮动，但趋势非常稳定：单独一棵限制深度的决策树大概能到0.81到0.84，Bagging之后能明显提升，随机森林在这个基础上再高一点，GradientBoosting这类Boosting方法通常也能到很高的水平。AdaBoost的表现取决于数据集的标签噪声程度，如果噪声太大，它的收敛曲线会变得很不稳定。
3.2 实验结果的解读：先看单模型缺什么
跑完代码不要只盯着准确率数字，要把结果映射回第17章的思想。单独决策树并不是一个很差的模型，但它的问题在于预测函数对数据抖动敏感，方差偏高。Bagging通过样本扰动把多棵树平均起来，方差被压下来，所以提升是最直观的。随机森林又在节点分裂时加上了特征扰动，进一步增加了树与树之间的独立性，于是往往能再往上走一点。
GradientBoosting走的是另一条路：每棵树都尽量拟合前面树的残差，模型整体在一步步纠正错误，所以偏差降得很低。但要注意，这个实验数据里有5%的标签噪声，Boosting由于过度聚焦难分样本，会在某些折上出现过拟合迹象。如果你把flip_y调高到0.15再跑一遍，你会发现Boosting类的平均分数可能反而不如随机森林稳定。
做课程实验或项目时，我建议把“先判断单模型是偏差大还是方差大”当成一个默认动作：如果单棵决策树在训练集和验证集上的差距很大，那方向就是压方差，Bagging和随机森林是你的首选；如果单模型在训练集上都不够好，说明偏差占主导，再堆Bagging意义不大，应该往Boosting或者更复杂的模型去靠。
3.3 Stacking实验里的高频坑：图方便会让你翻车
如果你想继续验证Stacking，把多个异质模型包进StackingClassifier也很方便，但有个坑十有八九会踩：直接用所有训练数据训练基模型，然后用它们的预测去训练最终元模型。这种行为在sklearn的StackingClassifier里其实已经被默认的交叉验证策略挡住了，内部会用交叉验证生成新特征，但如果你自己手动实现Stacking，非常容易写出“泄漏版”代码。
我自己第一次手动实现时就犯过这个错，拿基模型在训练集上的预测做特征，元模型在交叉验证里分数高得离谱，放到真正没见过的测试集上就现原形。原因是基模型对训练数据太熟悉，那些预测根本不能代表它对未知样本的判断。正确的做法是先做5折交叉验证，每一折用另外4折训练、预测当前折，收集所有折的预测结果后再作为元模型的训练特征。如果你对某一步实现不清楚，去看sklearn源码里StackingClassifier的_fit流程，写得很明白。
4. 想真正吃透这一章，绕不开一个词：多样性
4.1 多样性的三个来源：数据扰动、属性扰动、算法扰动
教材讲到Bagging、AdaBoost和随机森林时，往往先给算法伪代码，很少直接点明：这些算法真正在设计的是“如何让一群学习器之间产生足够大的分歧”。分歧的来源归纳起来主要有三类。
第一种是数据扰动，Bagging的随机抽样、AdaBoost的样本权重调整都属于这一类。同样的算法在不同样本子集或不同样本权重下，会学到稍微不同的决策边界。第二种是属性扰动，随机森林每次分裂随机挑特征子集、或者某些集成方法随机从原始特征里挑选子集来训练成员，都是让每个成员从不同视角观察数据。第三种是算法扰动，Stacking用不同原理的算法本身就是最大的扰动来源，另外对神经网络随机初始化、对SVM用不同核函数等，也属于算法层面的差异制造手段。
它们之间的关系可以这样归纳：
| 组合策略 | 主要引入多样性的方式 | 主要降低的误差成分 | 典型代表性方法 |
|---|---|---|---|
| Bagging | 样本扰动（自助采样） | 方差 | Bagging、随机森林 |
| Boosting | 样本权重扰动（串行关注残差） | 偏差 | AdaBoost、Gradient Boosting |
| Stacking | 算法扰动（异质模型）+元学习器 | 综合 | Stacking Classifier |
| 随机森林 | 样本扰动+属性扰动 | 方差 | Random Forest |
4.2 “误差减分歧”分解给出的最重要直觉
如果你读的教材比较理论化，这一节很可能还会给一个叫误差-分歧分解的结论。它的形式类似这样：
集成模型的均方误差 = 成员平均误差 - 成员平均分歧
这个公式有严格的假设条件，通常是对回归问题、固定平均权重推导出来的，但它的直觉价值远超回归场景本身：一个优秀的集成，不仅要求每个成员尽可能准，还要求成员之间尽可能“吵得起来”。如果每个成员都往同一个方向犯错，分歧是0，那成员平均误差再低，集成也只是复制同样的错误；反过来，如果一个模型总是能发现其他模型没注意到的模式，它带来的分歧就能为整体决策兜底。
这个道理有点像组队参加一次笔试：最好的队伍不是三个同样擅长计算但都不擅长证明的人，而是有人擅长计算、有人擅长构造反例、有人擅长检查逻辑漏洞。大家各自的短板可以被队友的长板覆盖，团队整体成绩就会超过个人平均。
4.3 随机性不是越多越好，多样性要建立在成员质量之上
第17章最容易让人产生的一个误解是：既然成员越不同越好，那我让每个模型都完全随机乱来不就行了吗？当然不行。误差-分歧分解里“成员平均误差”这一项还在，如果成员质量低到接近随机猜测，即使它们之间存在巨大分歧，也不能保证投票结果是靠谱的。多样性必须建立在“每个成员都至少比随机猜测好”的前提下。
实际调参时这个平衡点落在哪里？拿随机森林来说，max_features越大，单棵树越强，但树与树的相似度也越高；max_features太小，树与树的差异很大，但每棵树都可能因为看不到足够多的特征而变得太弱。经验上分类任务用sqrt、回归任务用1/3是比较常见的起点，然后再结合验证集精度的变化调整。这跟你调单个模型的思路完全不同，你要观察的不再是单棵树的精度，而是“集成整体”的精度。
5. 期末与实验的“含金量”部分：高频考点与我自己踩过的坑
5.1 高频考点：为什么Bagging的OOB可以近似当验证集用
这部分内容书里大概率有推导，但为了应试你必须把这几个数字刻在脑子里：一次有放回抽样大小为m的训练集中，某一个样本被抽中的期望比例是1 - (1 - 1/m)^m，当m足够大时约等于0.632。也就是说每个基学习器实际“见过”约63.2%的训练样本，没见过的约36.8%天然可以用来计算这个学习器的包外误差。
很多工程实现都会直接利用这个性质，比如sklearn的RandomForestClassifier里有个参数叫oob_score，设为True时会在训练结束后用每棵树的OOB样本估算整体泛化误差。这样做的最大优势是你不需要再切出一块验证集，所有数据都能用来训练，对中小型数据集非常友好。我自己遇到样本量不够时，几乎都会把oob_score=True打开，先看OOB分数是否和交叉验证分数接近，如果二者差距很大，就要怀疑是不是数据划分或者随机种子出了问题。
5.2 AdaBoost里的α到底在解决什么问题
考试里另一个常考的地方是AdaBoost的权重更新公式。很多同学只背公式不理解含义，考完就忘。你只需要抓住一个核心：AdaBoost最终在投票时不是简单对每个弱学习器平权，而是给误差更小的模型更高的话语权。前面那个对数比公式的直觉就是，一个错误率ε_t接近0的成员会得到很大的α，而ε_t接近0.5的成员得到的α接近0。
这里还有个工程上的实际意义：如果你在数据上跑AdaBoost或类似Boosting模型，发现某些轮次的成员基本没有对结果产生影响，不要惊讶，这是算法在自动过滤那些不比随机猜好多少的弱学习器。反过来，如果所有成员的α都比较接近，说明数据分布变化不大，成员之间的多样性不足，未必是好事。
5.3 最容易让实验翻车的情形：不是组合就一定更好
组合能提升性能是有前提的，前提不满足时效果可能很差。我总结自己比较常遇到的三种翻车情形。
第一种是在低方差高偏差的模型上强行套Bagging。比如你的基学习器已经是一个欠拟合的线性模型，训练集和测试集分数都不高，让它并行集成几十份，每份模型仍然都在同一个方向上欠拟合，平均之后还是欠拟合。第二种是对含噪数据直接用没有早停的Boosting。前面说过，Boosting会拼命去拟合那些被标错的极端样本，如果不限定树的深度、不限制迭代轮数、不使用Early Stopping，验证集曲线会在一段时间后开始下降。第三种是Stacking时直接让元学习器学习训练集上的基模型预测，造成目标泄漏，这种问题你自己写代码时特别容易犯，用sklearn内置类反而能避开一部分风险。
5.4 课程实验或期末复习的最小路径
如果你正在准备期末或者马上要交课程实验，我建议按下面这条路径走一遍，花不了一晚上，但对知识的牢固程度帮助很大。先把教材里Bagging和AdaBoost的伪代码手推一遍，重点想清楚每一步在改什么；然后用sklearn把单决策树、Bagging、随机森林在同一个数据集上做对比；再去读一下StackingClassifier的源码或者文档，理解它内置的交叉验证机制；最后回头整理偏差、方差、样本扰动、属性扰动、OOB这几个概念之间的关系。
我自己在这一章上踩过最大的坑就是用代码“模拟”了实验，却忘了回看书里的偏差方差分解图。后来做项目调多模型融合时，才发现只要先判断当前单模型是过拟合还是欠拟合，选组合策略就是顺理成章的事。当然，最后再给你一个小技巧：如果你用的是随机森林，训练完直接看它的oob_score_属性和特征重要性排序，把max_features从None到sqrt扫一遍，观察OOB分数的变化，这一步能帮你直观理解属性扰动对集成多样性的意义。所谓组合多学习器的章节，读到最后会发现它其实不是玄学，而是一套关于团队协作的工程方法论。