返回信息流当模型足够多样化时，考虑将其纳入。如果模型的 Pearson 相关性 > 0.99 且 Kolmogorov-Smirnov 统计量 < 0.01，则混合它们不太可能获得太多好处。经验法则： Pearson < 0.95（< 0.9 更好）和 K-S 统计 > 0.05（> 0.1 更好）的模型。
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #38000同步于 2021/12/21
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
Re: stacking
bupt981025
2021/12/21镜像同步3 回复
订阅后，新回复会通过你的通知中心匿名送达。
3 条回复
我懂的也不多。上面那个是我找资料看到的。我对集成这方面了解并不多。能先问一下 你的模型融合 和集成具体指什么策略。像我了解的一种是 在第一层模型上套xgboost之类来做本地cv的调参（好像管这个叫stack）另一种是直接对模型输出加权平均 （管这个叫blend）。不知道能不能和你说的融合和集成对应。一般说来第一种的cv会低一点，但是容易过拟合
如果是stack 和blend 的话，我觉得两者不能视为另一种的特殊情况。stacking 的搜索空间要大得多，要考虑更多维的数据和更多的组合特征，blend的话要考虑的仅仅是模型的结合。场景不同两者的适用性也不太相同。不过blend下限要高点吧 （大概）