下列关于“集成学习”说法正确的是?A. 个体学习器间相关性较高B. 个体学习器间相关性较低C. 使用“加权平均”而不是“投票法”产生结果D. 个体学习器由相同的学习算法生成

集成学习的核心在于通过组合多个个体学习器（基模型）来提升整体性能。其关键点包括：

1. 个体学习器的多样性：个体学习器间应具有较低的相关性，使得它们的错误能够互补，从而降低集成后的泛化误差。
2. 组合策略：常见的组合方法包括投票法（分类）和平均法（回归），也可通过加权方式优化结果。
3. 个体学习器的生成：通常使用相同算法生成（如随机森林中的决策树），但并非严格要求，不同算法的组合也属于集成学习范畴。

本题需结合上述要点，判断选项中描述是否符合集成学习的核心特性。

选项分析

选项A：个体学习器间相关性较高

• 错误。若个体学习器相关性高，它们的错误可能相似，导致集成效果受限。集成学习强调通过低相关性个体学习器的互补性来提升性能。

选项B：个体学习器间相关性较低

• 正确。低相关性是集成学习的关键，确保个体学习器的预测误差能够相互抵消，从而降低整体模型的泛化误差。

选项C：使用“加权平均”而不是“投票法”产生结果

• 错误。集成学习的组合方法多样，既可使用投票法（如分类中的多数投票），也可使用加权平均（如回归中的加权求和）。题目中“而不是”的表述过于绝对，不符合实际情况。

选项D：个体学习器由相同的学习算法生成

• 错误。虽然常见集成方法（如随机森林）使用相同算法生成个体学习器，但集成学习允许不同算法的组合（如混合专家模型）。因此，个体学习器的算法并非必须相同。