Különböző típusú együttes módszerek léteznek, többek között:
- Bagging (Bootstrap Aggregating): A zsákolás egy olyan együttes módszer, amely több bootstrapped mintát hoz létre a betanítási adatokból. Minden bootstrapped mintát egy alapmodell betanításához használnak fel, majd az alapmodellek előrejelzéseit átlagolják a végső előrejelzés elkészítéséhez.
- Felerősítés (Adaptive Boosting): A boosting egy olyan együttes módszer, amely szekvenciálisan képezi az alapmodelleket. Minden alapmodell ugyanazon a betanítási adatokon van betanítva, de az adatokat minden modell betanítása után újra súlyozzák. Az előző modell által rosszul osztályozott adatpontok nagyobb súlyt kapnak, így a következő modellek ezekre az adatpontokra összpontosítanak.
- Véletlen erdők: A véletlenszerű erdők egy olyan együttes módszer, amely döntési fák halmazát építi fel. Minden döntési fa a betanítási adatok más-más részhalmazára van kiképezve, és a végső előrejelzés többségi szavazással vagy az egyes döntési fák előrejelzéseinek átlagolásával történik.
Az együttes módszerek gyakran pontosabbak, mint az egyedi modellek, mivel segíthetnek csökkenteni a modell varianciáját és torzítását. Használhatók a modell robusztusságának javítására is, mivel segíthetnek abban, hogy megakadályozzák a modell túlillesztését a betanítási adatokhoz.