Bagging需有放回抽样+特征子集，RandomForestClassifier默认满足；XGBoost不支持NaN而LightGBM支持；Stacking第二层宜用LogisticRegression/Ridge，须兼容predict_proba。
Bagging 为什么用 RandomForestClassifier 而不是手动平均多个 DecisionTreeClassifier
因为 Bagging 的核心不是“随便训几个树再平均”，而是每个模型必须在**有放回抽样 + 特征子集**下独立训练，否则方差压不下来。手动循环调 DecisionTreeClassifier 容易漏掉这两点。
实操建议：
- 直接用
RandomForestClassifier，它默认开启bootstrap=True和max_features="sqrt"（分类）或"log2"（回归），这才是标准 Bagging - 如果真要手写，必须显式设置
random_state每次不同 + 手动用resample(X, y, replace=True)抽样 + 每棵树用不同列索引切特征 -
n_estimators设太小（如 10）效果不稳定；50–200 是常见安全区间；超过 500 后提升极慢，还拖慢预测
Boosting 选 XGBoost 还是 LightGBM？看数据量和缺失值处理需求
两者都支持梯度提升，但默认行为差异大，直接影响你是不是要花半天填坑。
常见错误现象：XGBoost 在含 np.nan 的 DataFrame 上直接报 ValueError: Input contains NaN；LightGBM 默认就支持，并把缺失值当一个独立分支处理。
使用场景判断：
- 小数据（XGBoost（
booster="gbtree"稳定，feature_importances_直接可用） - 大数据（>100 万）、高维稀疏特征、有大量缺失 →
LightGBM（cat_smooth对类别特征友好，early_stopping_rounds收敛更快） - 别硬套
sklearn.ensemble.GradientBoostingClassifier：它不支持 GPU，树分裂策略较旧，收敛慢且容易过拟合
Stacking 的第二层模型不能用 DecisionTreeRegressor 当元特征组合器
Stacking 不是“把一堆预测结果喂给一棵树”，而是让第二层模型学习「哪些基模型在什么条件下更可信」。树类模型对输入尺度敏感、无法建模线性补偿关系，容易把元特征当噪声拟合。
实操建议：
- 第二层首选
LogisticRegression（分类）或Ridge（回归）：系数可解释，抗噪强，训练快 - 如果要用非线性模型，至少加
StandardScaler预处理元特征（StackingClassifier默认不帮你做） - 注意
cv参数：设成5或StratifiedKFold，避免元特征泄露——用同一折的训练数据去预测同一折的标签，否则第二层会高估性能
StackingClassifier 的 final_estimator 报 AttributeError: 'xxx' object has no attribute 'predict_proba'
这是最常卡住人的地方：第二层模型必须同时支持 predict 和 predict_proba（分类）或 predict 和 predict_interval（回归），否则 StackingClassifier 初始化就失败。
典型兼容组合：
- 分类任务：用
LogisticRegression、RandomForestClassifier、XGBClassifier（需设use_label_encoder=False, eval_metric="logloss"） - 避坑：别用
SVC（默认probability=False），要开就得加probability=True，但训练变慢且不准；也别用KNeighborsClassifier（n_neighbors小时predict_proba结果抖动大） - 检查方式：实例化后手动调
hasattr(model, "predict_proba")，比等报错再查快得多
多层融合真正难的不是堆模型，是让每层输出稳定、可复现、不互相污染。尤其 Stacking 的交叉验证逻辑和元特征对齐，稍不注意就会让验证分数虚高一截，上线后直接掉点。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
