当单个模型捕获数据的独特特征时，堆叠将最有帮助。通常情况下，不同的架构在相同的数据上执行相似，如果有些不同的话。在这些情况下，集成/堆叠只会提供轻微的增量优势。在极限情况下，你只关心预测，你可以连接尽可能多的不同方法。但是，如果可解释性是关键，那么每个额外的组件模型都会使事情变得更加复杂。

您何时知道是否值得或是否已达到极限的具体问题可以像其他任何事情一样处理 - 与更简单的方法相比，您的增量 r-square/error/classification 准确性明显更好吗？