机器学习中的集成学习方法包括 Bagging、Boosting 和 Stacking。
Bagging（Bootstrap Aggregating）是一种将多个模型的预测结果进行平均或投票的方法，其基本思想是对原始数据进行自助采样（Bootstrap），生成多个不同的训练集，然后在每个训练集上训练一个基学习器，最后将这些基学习器的预测结果结合起来。
Boosting 是一种通过加权多个弱分类器来构建强分类器的集成学习方法。其基本思想是对训练集的样本分布进行加权，使得之前被错误分类的样本在后续的训练中得到更多的关注，从而提高分类器的性能。Boosting 方法常用的算法有 Adaboost、GBDT 等。
Stacking 是一种将多个基学习器的预测结果作为新的训练集，训练一个次级学习器的方法。其基本思想是在训练集上训练多个基学习器，将它们的预测结果作为新的训练集，再训练一个次级学习器。Stacking 方法可以适应不同类型的基学习器，且通常具有更高的准确率。
除了上述三种常见的集成学习方法外，还有一些其他的方法，如随机森林（Random Forest）、混合模型（Mixture Models）等。这些方法都可以提高模型的泛化能力和预测精度。