Méthode d'ensemble qui entraîne un méta-modèle pour combiner les prédictions de plusieurs modèles de base (level-0 learners). Contrairement au bagging (mêmes algorithmes, données différentes) et au boosting (même algorithme, poids adaptatifs), le stacking combine des algorithmes hétérogènes. Procédure : (1) entraîner les modèles de base sur les données d'entraînement en cross-validation pour éviter le leakage, (2) utiliser leurs prédictions comme nouvelles features pour entraîner le méta-modèle (souvent une régression logistique ou un XGBoost léger). Le stacking capture les complémentarités des modèles de base — un réseau de neurones peut capturer des patterns non linéaires qu'un SVM manque, et vice versa. Très utilisé dans les compétitions Kaggle où les top solutions sont souvent des stacks de 5 à 10 modèles.