**مجموعهسازی مدل** تکنیکی در یادگیری ماشینی است که در آن چندین مدل با هم ترکیب میشوند تا مدلی قویتر ایجاد کنند که بهتر از هر یک از مدلهای جداگانه عمل میکند.
ایده پشت مجموعهبندی مدل این است که با ترکیب پیشبینیهای چند مدل، خطاهای یک مدل میتواند خطاهای مدل دیگر را خنثی کند و در نتیجه مدلی دقیقتر و قابل اعتمادتر به دست آید. گروه بندی را می توان به روش های مختلفی انجام داد، اما برخی از تکنیک های رایج عبارتند از:
1. Bagging: استفاده از چندین مدل که همه به طور مستقل بر روی نمونه های مختلف داده های آموزشی آموزش داده شده اند و سپس ترکیب پیش بینی های آنها.
2. Boosting ایجاد یک مدل واحد با آموزش مکرر مدل های ضعیف بر روی داده ها، هر بار به مثال هایی که مدل های ضعیف قبلی اشتباه کرده اند وزن بیشتری می دهد.
3. Stacking:استفاده از چندین مدل برای تولید پیشبینیها روی دادهها، و سپس استفاده از آن پیشبینیها به عنوان ورودی برای مدل دیگری که برای پیشبینی نهایی آموزش داده شده است.
Ensembling می تواند یک تکنیک قدرتمند برای بهبود عملکرد مدل های یادگیری ماشین، به ویژه برای وظایف پیچیده یا مجموعه داده هایی با نسبت سیگنال به نویز کم باشد.