模型融合：常常是指混合或者结合"假设函数"（为了使模型具有更好的性能）
模型融合的意义：
（左图可以视为combine the predictions conditionally，右图则可以视为mix unifomly）
从上述两种融合情况来看：融合或许能起到① feature transform的作用(左图) ② regularization的作用(右图)
下述情况中需说明：① avg是指针对多个假设函数的平均 ②
从上述结果不难看出：一系列假设函数$g_t$的误差平均要大于一系列假设函数平均的误差。
下面根据上述情况的一种特例来进一步说明混合模型的优势：
从上述特例可以很显著的看到均匀混合模型能够减少variance，从而提高模型的稳定性
常见混合模型的目标函数：
从上式不难发现：线性混合模型=线性模型+特征转换(将假设函数视为特征转换)+约束条件
比如线性融合的线性回归模型等价于线性回归+特征转换
所以对于任意的混合模型可以写成其对应的特征转换模型：
其中$\Phi(x)=(g(x_1),g(x_2),...,g_T(x))$
（虽然上述的any blending可以很强(能够包含任意的条件融合)，但是也会带来overfitting的风险）
Bagging的定义：
从理想的模型$\Longrightarrow$Bagging模型
