集成学习是一种 机器学习范式，它通过构建并结合多个学习器（也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。

集成学习的基本原理是“三个臭皮匠，胜过诸葛亮”，通过将多个分类器的预测结果进行组合，往往能够得到比单个分类器更好的预测效果。集成学习的理论基础包括差异性和准确性的平衡、偏差-方差分解等。

根据学习器训练的模型是否为同类模型，集成学习分为同质集成学习和异质集成学习两类。同质集成学习中的多个学习器通常都是同质的“弱学习器”，而异质集成学习则可能包含不同类型的模型。

常见的集成学习方法包括Boosting、Bagging等。Boosting是一族可以将弱学习器提升为强学习器的算法。Bagging则是通过构建多个独立的模型，并对它们的预测结果进行平均（或投票）来提高整体性能。

集成学习的主要优点包括提高模型的稳定性和鲁棒性，降低过拟合风险，以及提高预测的准确性和泛化能力。