我在研究机器学习的集成技术时，在阅读了一些在线文章后，遇到了两个问题。
1.
在这篇文章中，提到
相反，模型2可能在所有数据点上的整体表现更好，但在模型1表现更好的特定数据点集上表现更差。想法是将这两个模型在它们表现最佳的地方结合起来。这就是为什么创建样本外预测有更高的机会捕捉到每个模型表现最佳的不同区域。
但我还是不明白，为什么不使用所有训练数据进行训练来避免这个问题呢？
2.
在这篇文章的预测部分中，提到
简单来说，对于给定的输入数据点，我们只需要将其通过M个基础学习器，并获得M个预测，然后将这些M个预测作为输入发送给元学习器
但在训练过程中，我们使用k折训练数据来训练M个基础学习器，那么我是否也应该基于所有训练数据训练M个基础学习器来进行预测的输入呢？
回答：
假设红色和蓝色是你能找到的最佳模型。
一个在区域1表现更好，另一个在区域2表现更好。
现在你还将训练一个分类器来预测使用哪个模型，即，你将尝试学习这两个区域。
在外部进行验证。如果你让两个内部模型访问元模型未见过的数据，可能会导致过拟合。
