Postoje različite vrste skupnih metoda, uključujući:
- Bagging (Bootstrap Aggregating): Bagging je skupna metoda koja stvara više početnih uzoraka iz podataka o vježbanju. Svaki početni uzorak koristi se za uvježbavanje osnovnog modela, a predviđanja osnovnih modela se zatim izračunavaju u prosjeku kako bi se napravilo konačno predviđanje.
- Pojačavanje (Adaptivno pojačavanje): Boosting je skupna metoda koja sekvencijalno obučava osnovne modele. Svaki se osnovni model uvježbava na istim podacima za uvježbavanje, ali podaci se ponovno ponderiraju nakon uvježbavanja svakog modela. Podatkovne točke koje je prethodni model pogrešno klasificirao dobivaju veću težinu, tako da se sljedeći modeli usredotočuju na te podatkovne točke.
- Nasumične šume: Nasumične šume su metoda ansambla koja gradi skup stabala odlučivanja. Svako stablo odlučivanja trenira se na različitom podskupu podataka o treniranju, a konačno predviđanje donosi se većinom glasova ili izračunavanjem prosjeka predviđanja pojedinačnih stabala odlučivanja.
Metode ansambla često su točnije od pojedinačnih modela jer mogu pomoći u smanjenju varijance i pristranosti modela. Također se mogu koristiti za poboljšanje robusnosti modela, jer mogu pomoći u sprječavanju pretjeranog uklapanja modela u podatke o obuci.