الگوریتم یادگیری تجمعی یک متا رویکرد کلی به ماشین لرنینگ است که با ترکیب پیشبینیهای چند مدل، عملکرد پیشبینی بهتری را دنبال میکند. روشهای یادگیری تجمعی زمانی محبوب و رایج است که بهترین عملکرد در یک پروژه مدلسازی پیشبینی کننده مهمترین نتیجه باشد.
اگرچه ظاهراً تعداد نامحدودی از مجموعههایی وجود دارد که میتوان برای مشکل مدلسازی پیشبینی ایجاد کرد، اما سه روش وجود دارد که بر حوزه یادگیری تجمعی مسلط است. به حدی که هر کدام به جای الگوریتم به خودی خود، زمینهای است که روشهای تخصصیتری را ایجاد کرده است. سه کلاس اصلی از روشهای یادگیری تجمعی عبارتند از: بگینگ ، بوستینگ و استاکینگ.
بگینگ (Bagging): این الگوریتم برای بهبود ثبات و دقت الگوریتم های یادگیری ماشین استفاده میشود.
بوستینگ (Boosting): روش بوستینگ یا تقویت یکی دیگر از الگوریتمهای یادگیری تجمعی است.
انباشته سازی (stacking): هدف آن پیش بینی بهترین خروجی است.