B 航線｜集成學習（Ensemble Learning）： 三種「讓模型一起做決定」的方法

一個人的判斷可能出錯，但一群專家的集體決策，往往更可靠。機器學習也是如此。

前言：單兵作戰 vs 團隊合作

正式介紹《集成學習》：
集成學習是一種將多個弱模型（weak learners）組合在一起，讓它們共同做出預測的機器學習策略。
* 單一模型：如同先前出場的KNN、決策樹模型等容易發生 過擬合 overfitting 或 欠擬合 underfitting 的情形。
* 多個模型的組合：往往能互補彼此的弱點，顯著提升預測準確率與穩健性。

解釋名詞(後續章節會著重介紹)：​
1.過擬合 overfitting：
	模型在訓練時，表現很好；但在測試時遇到新資料就掉漆。
2.欠擬合 underfitting：
	模型不管在訓練或是測試，都表現不好，代表模型不適合。

🎯集成學習的核心思想不是「模型更聰明」，
而是「降低單一模型判斷失誤的風險」。

集成學習主要分為三大類型：

1. Bagging（Bootstrap Aggregating）
2. Boosting
3. Stacking

一、Bagging（Bootstrap Aggregating）｜「大家一起投票」