集成学习：概念、基学习器及其常见类型

集成学习是一种将多个弱分类器组合成一个强分类器的机器学习方法。它通过将多个基学习器的分类结果进行组合，来提高分类的准确性和鲁棒性。

'基学习器'是指集成学习中的基本分类器或回归器，它是单独的一个分类器，用来对数据进行分类或预测。在集成学习中，基学习器的选择很重要，因为不同的基学习器会有不同的性能和特点，对集成学习的性能影响很大。

常见的基学习器包括：

1. 决策树：决策树是一种基于树结构的分类器，它可以对数据进行分类和回归。

2. 支持向量机（SVM）：SVM 是一种二分类模型，通过将数据映射到高维空间中，找到一个最优的超平面来分隔不同类别的数据。

3. 神经网络：神经网络是一种模拟人脑神经元工作方式的模型，它可以用来进行分类、回归等任务。

4. 朴素贝叶斯（Naive Bayes）：朴素贝叶斯是一种基于贝叶斯定理的分类器，它假设特征之间是相互独立的，可以用于文本分类、垃圾邮件过滤等任务。

5. K近邻（KNN）：KNN 是一种基于实例的分类器，它通过计算数据点与已知数据点之间的距离来进行分类。

6. 随机森林（Random Forest）：随机森林是一种基于决策树的集成学习方法，它通过随机选择特征和样本，来构建多个决策树，并将它们组合成一个强分类器。

以上是常见的基学习器，不同的任务和数据集可能需要选择不同的基学习器来进行集成学习。