Uwarstwiona generalizacja

Uwarstwiona generalizacja, znana również jako stacking, to dwupoziomowa metoda zespołowa, w której klasyfikatory bazowe są trenowane na oryginalnych danych, a meta-uczący się model (meta-learner) jest trenowany na predykcjach klasyfikatorów bazowych. Meta-uczący się model uczy się, jak najlepiej łączyć predykcje bazowe, zamiast stosować ustalone reguły agregacji. Zaproponowana przez Davida Wolperta w 1992 roku, stacking osiąga najnowocześniejszą wydajność poprzez automatyczne uczenie się optymalnych wag i wzorców interakcji między modelami bazowymi.