Un ansamblu de modele (ensemble learning) este o tehnică de învățare automată care combină predicțiile mai multor modele individuale pentru a obține o predicție finală mai precisă și mai robustă decât ar putea oferi oricare model luat separat, exploatând ideea că erorile diferitelor modele tind să se compenseze reciproc.
Există trei strategii principale de combinare: bagging (bootstrap aggregating), unde mai multe versiuni ale aceluiași algoritm sunt antrenate pe subseturi diferite, eșantionate aleatoriu, din datele de antrenament, iar predicțiile finale se obțin prin vot majoritar sau medie — exemplul clasic fiind Random Forest, un ansamblu de arbori de decizie; boosting, unde modelele sunt antrenate secvențial, fiecare nou model concentrându-se special pe exemplele pe care modelele anterioare le-au clasificat greșit — algoritmi populari precum XGBoost sau AdaBoost folosesc această strategie; și stacking, unde predicțiile mai multor modele diferite (nu neapărat de același tip) sunt combinate printr-un „model meta” suplimentar, antrenat să învețe cum să pondereze optim contribuția fiecărui model component.
Metodele ansamblu sunt deosebit de populare în competițiile de știința datelor și în aplicații practice unde precizia contează mai mult decât simplitatea sau viteza — analiza de risc financiar, detectarea fraudei, sisteme de scoring pentru credite. Compromisul principal este complexitatea: un ansamblu de zeci sau sute de modele este mai greu de interpretat, mai lent la inferență și necesită mai multe resurse computaționale decât un singur model, dar aceste dezavantaje sunt adesea justificate de câștigurile semnificative de acuratețe.
