Boosting： Boosting 是一种集成学习技术，其中多个机器学习模型（通常是决策树）被顺序训练。每个后续模型都关注先前模型所犯的错误，对错误分类的数据点给予更多权重。这样，Boosting 就会结合这些弱模型的预测来创建一个强预测模型。流行的 boosting 算法包括 AdaBoost、Gradient Boosting 和 XGBoost。
Bagging： Bagging 是 Bootstrap Aggregating 的缩写，是另一种集成技术，其中同一基础学习算法的多个实例在训练数据的不同子集上进行训练。每个模型都是独立训练的，最终的预测通常是通过对这些模型的预测进行平均或投票来获得。随机森林是一种著名的装袋算法，它使用决策树作为基础模型。
Stacking：堆叠或堆叠泛化是一种集成学习技术，它通过根据预测训练元模型来组合多个不同的模型（基础模型）。基本模型进行单独的预测，元模型学习如何组合或权衡这些预测以做出最终预测。堆叠通常可以提高预测准确性，并用于竞赛和高级机器学习应用程序。
Mapping： “映射”是一个广义的术语，可以指机器学习和数据分析中的各种任务。它可能指的是数据预处理任务，例如特征映射，您可以在其中将输入特征转换或映射到不同的空间。它还可以指使用主成分分析 (PCA) 或 t 分布随机邻域嵌入 (t-SNE) 等技术将数据点映射到低维空间的过程。如果没有更多上下文，就很难在这种情况下为“映射”提供具体定义。
这些技术是机器学习和数据分析中的重要工具，可提高模型性能和处理复杂任务。选择使用哪种技术取决于具体问题和手头的数据。