13.2 小节介绍过一种叫做 Voting Classifier 集成学习的方法。这种方法的思路非常简单，比如有三个模型，将数据集在每一个模型上进行预测，最后综合三个模型的结果。
- 对于分类任务，最后的分类结果使用少数服从多数的原则；
- 对于回归任务，最后的回归值可以取平均值。
Stacking 是另外一种集成学习方法。比如还是三个模型，对于 Stacking 方法来说，依然是将数据集分别在三个模型上进行预测，然后我们将这三个模型的预测结果作为新添加模型的输入（Voting Classifier 是将三个模型的结果直接综合考虑），将这个新添加模型的输出作为最终的预测结果。
训练 Stacking
了解了 Stacking 集成学习方法，那要如何训练一个 Stacking 集成学习的分类器呢？首先我们先将我们的训练数据集划分成两份：
- 第一份数据集用来训练底层的三个模型；
- 第二份数据集用来训练第二层的第四个模型。
首先使用第一份数据集分别将底层的三个模型训练好，将第二份数据集输入到训练好的三个模型中，得到的输出结果和第二份数据集的标签构成一个新的数据集，最后用新的数据集来训练第二层上的第四个模型，最终形成 Stacking 集成学习的模型。
根据上面的训练方法，我们可以构建出更加复杂的 Stacking 模型。比如下图堆叠了三层。
第一层三个模型的输出作为第二层三个模型的输入，将第二层的三个模型的输出作为第三层模型的输入。
前面训练两层的 Stacking 模型需要将数据集划分为两份。训练三层的 Stacking 模型需要将数据集划分为三份。
- 第一份数据集用于训练第一层的三个模型；
- 第二份数据集用于训练第二层的三个模型；
- 第三份数据集用于训练第三层的最后一个模型。
这也能够看出来，Stacking 中的层数和每层中的模型个数都是一个超参数。正因为如此，Stacking 这种集成学习模型可能会很复杂，所以 Stacking 非常容易过拟合。
这种 Stacking 堆叠层的方法与神经网络非常相似，只不过对于神经网络而言，每一个神经元不是一个全新的算法模型，而是计算一个函数的值。加深层数的神经网络被称为深度学习，层数越多虽然会增强网络的表达能力，但是也会引发很多问题，这其中就包括和 Stacking 相似的过拟合问题。
Sklearn 实现 Stacking
Sklearn 中并没有提供 Stacking 集成学习的接口。
References： Python3入门机器学习 经典算法与应用: https://coding.imooc.com/class/chapter/169.html#Anchor
