机器学习中的模型合并（model combination）可以通过合并多个模型达到提升性能与稳定性的目的。模型合并往往被认为是集成学习（ensemble learning）的一个子领域，但其实也可以被单独拿出来讨论，作为一项实用的性能提升的手段。在绝大部分的机器学习/数据挖掘竞赛中（比如 Kaggle），最终获胜的方案都是多个模型的合成体。除此之外，模型合并也常被用于减少数据和模型中的随机性，提高模型的稳定性，详情可以参考：「大部分机器学习算法具有随机性，只需多次实验求平均值即可吗？」
为了方便大家对机器学习模型进行合并，我最近开发了一个新的 Python 工具库「combo」，起这个名字是因为 combo 代表“点套餐” ，与我们的目的不谋而合 🙂 combo 有以下特点：
- 包括多种合并方法，从最简单的平均到在 Kaggle 中常见的 Stacking，再到更复杂的 Dynamic Classifier Selection（动态分类器选择）。
- 支持多种不同的场景，包括分类器合并，原始结果（raw score）合并，聚类合并（对聚类结果进行合并），异常检测器（outlier detector）合并。未来或许会支持更多不同的场景。
- 简单易用且一致的API，只需要几行代码就可以完成模型融合，方便评估大量算法。
- 全面的文档，详细的示例。每个模型都搭配相对应的支持文件，方便学习与使用。
- 使用 JIT 和并行化（parallelization）进行优化，加速算法运行及扩展性（scalability），可以处理大量数据。
- 支持 Python 3.5+及主流操作系统：WIN，macOS 和 Linux，使用 CI 工具保证代码稳定性。
项目 GitHub 地址