針對原有集成學(xué)習(xí)多樣性不足而導(dǎo)致的集成效果不夠顯著的問題，提出一種基于概率校準(zhǔn)的集成學(xué)習(xí)方法以及兩種降低多重共線性影響的方法。首先，通過使用不同的概率校準(zhǔn)方法對原始分類器給出的概率進(jìn)行校準(zhǔn)；然后使用前一步生成的若干校準(zhǔn)后的概率進(jìn)行學(xué)習(xí)，從而預(yù)測最終結(jié)果。第一步中使用的不同概率校準(zhǔn)方法為第二步的集成學(xué)習(xí)提供了更強(qiáng)的多樣性。接下來，針對校準(zhǔn)概率與原始概率之間的多重共線性問題，提出了選擇最優(yōu)（ choose-best）和有放回抽樣（bootstrap）的方法。選擇最優(yōu)方法對每個(gè)基分類器，從原始分類器和若干校準(zhǔn)分類器之間選擇最優(yōu)的進(jìn)行集成；有放回抽樣方法則從整個(gè)基分類器集合中進(jìn)行有放回的抽樣，然后對抽樣出來的分類器進(jìn)行集成。實(shí)驗(yàn)表明，簡單的概率校準(zhǔn)集成學(xué)習(xí)對學(xué)習(xí)效果的提高有限，而使用了選擇最優(yōu)和有放回抽樣方法后，學(xué)習(xí)效果得到了較大的提高。此結(jié)果說明，概率校準(zhǔn)為集成學(xué)習(xí)提供了更強(qiáng)的多樣性，其伴隨的多重共線性問題可以通過抽樣等方法有效地解決。