集成学习：定义、基学习器及常见类型

集成学习 (ensemble learning) 是一种机器学习方法，通过将多个学习器 (learners) 组合起来，来提高整体性能。集成学习可以分为两类：同质集成和异质集成。同质集成指的是组合相同类型的学习器，异质集成指的是组合不同类型的学习器。

基学习器 (base learner) 指的是集成学习中组成集成学习模型的单个学习器。基学习器可以是任何机器学习算法，例如决策树、支持向量机、神经网络等。

常见的基学习器包括：

1. 决策树 (Decision Tree)
2. 支持向量机 (Support Vector Machine)
3. 朴素贝叶斯 (Naive Bayes)
4. 随机森林 (Random Forest)
5. 神经网络 (Neural Network)
6. AdaBoost
7. Gradient Boosting
8. Bagging等。

基学习器的选择可以根据数据集的特征、问题的类型和模型性能等因素进行选择。在实践中，通常会选择多种不同的基学习器进行组合，以提高集成学习模型的泛化能力和性能。