一、集成学习

（1）EasyEnsemble算法：通常效果还不错

思想：单一的容易丢失，那么就多来几次，尽量将样本都用上。

对于多数样本，通过有放回抽样，形成一份子集。然后与少数样本合并训练一个模型（C1）。重复N次操作，得到N个模型（CN），最终对N个模型的结果取平均。

注意：C1到CN可以并行。

（2）BalanceCascade算法：效果也行

对于多数样本，有效的选择一些样本，形成一份子集。然后与少数样本合并训练一个模型（C1）。用C1对多数样本进行判断，如果正确，说明C1已经能处理这些样本了，就不需要再学习了。

然后将 C1没有预测对的样本 作为多数样本，重复前面操作（得到C2C3....）。直到满足某一条件停止（模型都学过了，或者模型效果还可以），最终的模型是多次迭代模型的组合。

C1C2有什么关联关系吗？应该是独立的吧？最后怎么联合在一起？

说的再简单一点，类似手头有100道题，EasyEnsemble算法类似 题海战术，全都做一遍。

BalanceCascade算法类似 先做10道题，对于做对的题，那一类题型就不用做了。

二、SMOTE

奈斯