标准化归一化的目的：让各个特征的重要性一致，减少各个特征取值范围不同造成的影响。
集成学习：
* Bagging:将训练集随机采样成若干子训练集，产生若干基模型
>基模型：强模型（低偏差高方差）、训练目标：关注方差，专注于增强模型的泛化能力。
* Boosting：不断改变样本权重构建若干训练集，产生若干基模型
>基模型：弱模型（高偏差低方差）、训练目标：关注偏差
* Stacking：第一层（将训练好的基模型对训练集和测试集进行预测，产生新的数据集）
第二层（基于新的数据集，再次训练模型产生最终的预测结果）
>基模型：强模型（低偏差高方差）
模型的偏差：训练出来的模型在训练集上的准确度。
模型的方差：模型泛化能力的大小（源头：数据抽样的随机性带来了模型的随机性）
