模型集成是一種提高機器學習模型性能的技術，它通過組合多個模型的預測來做出更準確的預測。常見的模型集成方法包括：
投票法。在分類問題中使用，通過多數投票來決定最可能的類別。例如，如果有三個模型分別預測某個類別為A、B、A，則最終投票結果為A。
平均法。在回歸問題或其他需要輸出具體數值的問題中使用，通過對多個模型的預測結果求平均來得到最終結果。
堆疊法（Stacking）。這種方法包括三個步驟：模型內交叉驗證（每個模型單獨進行交叉驗證訓練），模型間特徵平均（計算多個模型的預測結果的平均值），新的特徵組合訓練新的模型（使用平均預測結果作為特徵，重新訓練一個模型）。
非交叉堆疊（Blending）。這種方法解決堆疊法的數據洩露問題，通過使用不相交的數據集在不同層進行訓練，而不是進行交叉驗證。
數據擴充法。在訓練和測試階段使用，通過改變輸入數據的形態（如多尺度、隨機扣取）來增強模型的魯棒性。
簡單集成法。針對不平衡樣本問題，通過降採樣和多次訓練來緩解數據不平衡的影響，然後對模型的預測結果進行平均或投票。
單模型集成。包括同一模型的不同初始化、不同訓練輪數、使用不同的損失函式等方法，以提高模型的泛化能力。
這些方法可以根據具體問題和數據集的特性進行選擇和組合，以達到最佳的集成效果。