一个好的起点是了解集成学习的概述。特别是你会想看看boosting和bagging。另一种方法是“The Ensemble”团队在 Netflix Prize 中使用的方法，称为“混合”或特征堆叠。

然后，只需找到一些实现这些的库并从那里开始工作。快速搜索一下scikit和orange，它们都应该有 bagging 和 boosting（它们都是 Python）。

如果除了使用集成方法之外，您还想学习一些理论，那么我认为这篇论文将是一个很好的起点（请按照您感兴趣的部分的参考资料进行操作）。

干杯。

“数据挖掘中的集成方法：通过组合预测提高准确性”，Seni 和 Elder——实用集成理论和实现的优秀参考，但随附的代码是基于 R 的。

“机器学习：算法视角”，S. Marsland——优秀的基于 Python 的实用文本，但不像第一个参考文献那样专注于纯粹的集成概念。

Sumpy Joe Pete 的回答非常完美，但既然您提到了 Python 实现，我想提一下 Universidade Federal de Pernambuco 的brew项目。

https://github.com/viisar/brew

from brew.base import Ensemble
from brew.base import EnsembleClassifier
from brew.combination import import Combiner

# create your Ensemble
clfs = your_list_of_classifiers # [clf1, clf2]
ens = Ensemble(classifiers = clfs)

# create your Combiner
# the rules can be 'majority_vote', 'max', 'min', 'mean' or 'median'
comb = Combiner(rule='majority_vote')

# now create your ensemble classifier
ensemble_clf = EnsembleClassifier(ensemble=ens, combiner=comb)
ensemble_clf.predict(X)

此时，它们具有集成生成、组合、修剪和动态选择。

限制：仅分类；当前公开版本中没有堆叠；没有太多的文档。

Salford Systems 有一个名为 Random Forests 的软件包，它为分类和回归树集成实现了这一点。我没有任何免费的 R 包可以提供。我想他们有一个用户手册来解释他们的实现。以此类推，您可能会弄清楚如何为其他集成方法做到这一点。