چکیده: یادگیری گروهی، حوزه‌ای از یادگیری ماشین است که از ترکیب چندین مدل به منظور بهبود دقت و کارایی در پیش‌بینی استفاده می‌کند. تنظیم مقادیر فراپارامترهای مناسب در این مدل‌ها بسیار مهم است، زیرا به طور مستقیم بر عملکرد مدل تأثیر می‌گذارد. در این پژوهش روش نوینی برای تعیین بهینه مقدار فراپارامتها در یادگیری گروهی ارئه کرده‌ایم. در یادگیری گروهی تنوع اهمیت زیادی در ایجاد یک مدل یادگیر گروهی خوب دارد. دردسته‌های مختلف روش‌های یادگیری گروهی، عوامل مختلفی برای ایجاد تنوع به کار گرفته می‌شوند که از آن میان می‌توان، به تنوع الگوریتم‌ها، تنوع دادگان و تنوع ویژگی‌‌ها اشاره کرد. می‌دانیم که استفاده از فراپارامترهای مختلف در یک مدل می‌تواند منجر به نتایج متنوع شود. در روش پیشنهادی، این نکته برای تعیین مقدار فراپارامترها به کار گرفته شده است. به این ترتیب که از الگوریتم ژنتیک برای پیدا کردن فراپارامتر‌هایی که بیشترین تنوع را در بین مدل‌ها ایجاد می‌کنند استفاده شده است. الگوریتم ژنتیک پیشنهادی، معیاری را به عنوان تابع برازش مورد استفاده قرار داده است که ضمن سنجش میزان تنوع، دقت را هم در نظر می‌گیرد. آزمایشات شبیه‌سازی شده نشان می‌دهند که روش پیشنهادی با ایجاد تنوع در مدل‌ها از طریق تنظیم فراپارامترهای مختلف، بهبود قابل‌توجهی در عملکرد مدل‌ها دارد. تحلیل نتایج بر روی 20 دیتاست UCI نشان می‌دهد در مقایسه با سایر روش‌های یادگیری گروهی، میانگین نتایج معیار f1 score روش پیشنهادی در 50 درصد دیتاست‌ها با میانگین 5/2 درصد بهتر بوده است.