Existují různé typy souborových metod, včetně:
- Vkládání do pytlů (Bootstrap Aggregating): Bagging je souborová metoda, která vytváří několik bootstrapovaných vzorků z trénovacích dat. Každý bootstrapped vzorek se používá k trénování základního modelu a předpovědi základních modelů jsou pak zprůměrovány, aby se vytvořila konečná předpověď.
- Zesílení (Adaptivní zesílení): Boosting je souborová metoda, která postupně trénuje základní modely. Každý základní model je trénován na stejných trénovacích datech, ale po trénování každého modelu jsou data znovu zvážena. Datovým bodům, které jsou chybně klasifikovány předchozím modelem, je přiřazena vyšší váha, takže následující modely se zaměřují na tyto datové body.
- Náhodné lesy: Náhodné lesy jsou souborová metoda, která vytváří sadu rozhodovacích stromů. Každý rozhodovací strom je trénován na jiné podmnožině trénovacích dat a konečná předpověď se provádí většinovým hlasováním nebo zprůměrováním předpovědí jednotlivých rozhodovacích stromů.
Souborové metody jsou často přesnější než jednotlivé modely, protože mohou pomoci snížit rozptyl a zkreslení modelu. Mohou být také použity ke zlepšení robustnosti modelu, protože mohou pomoci zabránit tomu, aby se model příliš přizpůsobil trénovacím datům.