集成学习（Ensemble Learning）是一种机器学习范式，它通过构建并结合多个学习器（也被称为基学习器或个体学习器）来完成学习任务。这些学习器通常是由现有的学习算法从训练数据产生的，如决策树、神经网络等。集成学习的主要目标是获得比单个学习器更优的性能。

集成学习的一般结构是先产生一组“个体学习器”，再用某种策略将它们结合起来。常见的集成学习方法包括Boosting、Bagging等。

在集成学习中，多个学习器通常都是同质的“弱学习器”，即它们的性能相对较低，但通过组合这些弱学习器，可以形成一个“强学习器”，从而提高整体的预测性能。集成学习的核心理念是“集思广益”，通过组合多个模型来减少单一模型的不确定性和偏差，从而提高整体模型的泛化能力。

集成学习的工作原理是将多个基学习器的预测结果融合，通过某种策略（比如投票、加权平均等）得到最终的结果。这就像是在决策时，听取多个意见，然后做出一个集体决策。

根据集成方法的不同，集成学习主要有以下几类：

并联集成学习方法：

如Voting、Bagging、OOB（Out-of-Bag）、随机森林等。

串联集成学习方法：

如Stacking等。

集成学习因其提供更高的稳定性和鲁棒性而闻名，从而帮助克服过拟合的问题。