堆叠学习者的基本原理是结合各个学习者的优势。

• 一方面，你的想法是有道理的：如果学习者有不同的优势，添加一些特征可能有助于元模型检测何时更重视特定的学习者。在某些情况下，整个元模型完全有可能以这种方式更好地工作。
• 另一方面，概括这个想法往往会破坏堆叠的目的：
  • 如果我们事先知道特定模型在某些特定情况下特别好，那么在这种情况下完全切换到该模型可能是最佳选择（无堆叠）。
  • 如果我们没有任何特定知识，那么这将需要将许多/所有原始特征添加到元模型中，以防万一它们有所帮助。但是通过添加特征，很可能（1）模型会尝试直接使用特征，因此会崩溃到单个学习器本身，以及（2）模型会更复杂，因此更容易过度拟合并且可能不会使最好地利用个别学习者的输出。

总结一下：堆叠方法依赖于元模型的“使事情变得简单”，因此它只需要调用单个学习者的答案。这样，元模型可以“专注”于优化使用这些答案。我们添加的功能越多，它无法正常工作的风险就越大。