集成学习是一类通过组合多个基础模型（学习器）来构建最终预测模型的技术，能够显著提升预测准确性和稳定性。集成利用各个基础模型之间的差异性——它们各自的随机误差相互抵消——同时保留单一模型的优势。主要方法包括 Bagging（自助聚合），即在重采样的数据子集中训练多个模型，然后对预测结果取平均或多数表决；Boosting（提升方法），按序训练模型，聚焦前一轮误分类样本（如 AdaBoost、Gradient Boosting、XGBoost）；以及 Stacking（堆叠），训练元学习器对基础学习器输出进行再学习。集成学习在各类竞赛中常获佳绩，并广泛应用于表格数据、计算机视觉和自然语言处理领域。