Boosting（如链接讨论中所述）是一种结合一组算法以获得比任何单一算法都更好的结果的方法。例如，随机森林是一种为分类算法组合各种分类树的方法。这种方法正式称为集成平均（尽管该算法通常应用多数规则）。混合似乎是一些人用来描述分类增强方法的词。

http://www.cs.cornell.edu/~caruana/ctp/ct.papers/caruana.icml04.icdm06long.pdf 一些论文可以帮助您进一步了解什么是混合。我认为您也可以在 google 上进行集成选择/学习以及堆叠。

不过，您对“混合许多模型的结果并产生更好的结果”的一般理解是正确的。

在行业中，数据混合不是关于模型，而是关于预处理：它是来自不同来源的数据合并时，例如来自数据库的数据和来自 CSV 文件的其他数据。

似乎混合正在混合许多模型的结果并产生更好的结果。有什么资源可以帮助我更多地了解它吗？

事实上，这就是他们的工作方式。他们试图给其他学习者的输出一个最佳权重（或直接学习）。它们通常在几乎所有数据集上实现最先进的性能（经过仔细调整）。

这些权重实际上被赋予了对交叉验证模型的“不折叠”预测（以避免为在训练集上具有完美准确性的模型赋予最高权重，例如随机森林）

由于资源相当稀缺，我写了这两篇文章：

Python中的混合介绍（面向方法和实现）

为什么混合有效？（关于这种方法成功的理论论证）