概念区别：
    集成学习是指多个弱分类器有关联地逐步训练集成为强分类器，这种弱分类器一定是同质的分类器。一般把弱分类器集成的强分类器看成是一个分类器。
    而模型集成是多个分类器，这里面比如集成学习得到的强分类器看成是一个分类器。多模型融合一般用来做信息补充或互补，讲究“好而不同”，不同是指模型的学习到的侧重面不一样。

    模型的集成：
    针对数据：将训练集分成K份，每次训练时将其中一份作为验证集，其他份作为训练集，训练模型。则将会得到K个模型，预测时取K个模型的平均输出值作为最终的结果(单模型多则集成)。
    还可以将前一个模型的输出可以作为后续模型（选择的模型可以和前面有区别）的输入。
    例：Fold 1 AUC : 0.796752
    Fold 2 AUC : 0.804137
    Fold 3 AUC : 0.800592
    Fold 4 AUC : 0.802340
    Fold 5 AUC : 0.804258
    Full AUC score 0.801530 其中前五项为每份验证集的AUC得分，最后得到总的AUC得分（不是平均）。
    针对特征：对特征进行抽样，每次训练时使用数据的不同特征进行模型的训练，最后将模型的结果进行统计、计算。
    针对算法本身：

    1.      1. 个体学习器来自不同的模型集合（LR/SVM/xgboost/lgbm）
    2.      1. 个体学习器来自于同一个模型集合的不同超参数，例如学习率η不同
    3.      1. 算法本身具有随机性，例如用不同的随机种子来得到不同的模型

    针对结果：根据各个模型的最终预测表现分配不同的权重，以改变其队最终结果影响的大小。对于正确率低的模型给予较小的权重，而正确率高的模型给予更高的权重。

    在进行模型集成时可以采取上述的一种或多种方式进行集成。

    https://blog.csdn.net/u010899985/article/details/81626808