我试图理解堆叠是如何工作的，但到目前为止我还不确定我是否理解正确。所以这是我到目前为止所理解的：
我们使用完整的数据集训练每个 k 基础学习者（第0级）。
我们让每个 k 基础学习者预测整个数据集。
我们根据 k 基础学习者的所有预测创建新数据集。新数据集看起来像我们的原始数据集+每个基础学习者的预测。
此数据集用于训练元学习者（第1级）。
我的问题：
非常感谢
答案 0 :(得分：3)
您的理解大多正确！在
新数据集看起来像我们的原始数据集+每个基础学习者的预测。
一个可以使用每个基础学习者的原始特征+预测，但是当人们谈论堆叠时，他们通常只使用每个基础学习者的预测。
我经常读到交叉验证以某种方式用于堆叠，但我无法弄清楚，它是如何使用的？或者它甚至是一个必不可少的部分，我错过了？
是的，交叉验证通常与堆叠一起使用。当你按照你所描述的那样进行时，元模型（你称之为第1级）可以从基础模型所做的预测中过度拟合，因为每个预测都是在看过整个数据集之后进行的。
所以你要做的就是交叉验证，并将数据分解为k-folds。您使用第k个保持折叠的预测（循环通过它们的所有k）来获得（希望）无偏估计模型将预测未见数据。然后你将元模型拟合到那些（没有交叉验证）。