非常适合初学者，将入门各个操作及逻辑，讲解的非常清楚，并配有随堂笔记及练习，降低了初学者的入门门槛，将系统的主要几个操作也都罗列了出来，涉及到系统的主要的几个方面，把每个方面的基本操作和命令，都罗列了出来，但是对系统的非常深度的讲解是不够的，所以，不适合中级及高级别的学习者。

集成学习则是机器学习的首要热门方向[1]。集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法．

一个用于高性能整体学习的Python库 ML-Ensemble将Scikit学习高级API与低级计算图形框架结合在一起，以尽可能少的代码行来构建内存有效的，最大程度并行化的集成网络。 只要基础学习者可以使用，ML-Ensemble就是线程安全的，并且可以依赖于内存映射的多处理来实现基于内存中立的基于进程的并发。 有关教程和完整文档，请访问项目。 集成为计算图 集成体建立在计算图的顶部，使用户拥有极大的设计自由度。 可以使用递归，动态评估（例如if-else ）等构建集成。 高级API将常见的集成体系结构包装到Scikit学习估计器中。 集合中图层的示例计算图 记忆有效的并行学习 ML-Ensemble已针对速度和最小的内存消耗进行了优化。 不管使用多线程还是多处理，都不会发生数据序列化。 此外，多线程是无酸洗的。 便于使用 现成的合奏是通过向实例添加图层来构建的。 无论合奏多么复杂，对其进行训练都可以调用fit方法： ensemble = Subsemble () # First layer ensemble . add ( list_of_estimators ) # Seco