Głównym celem badań jest opracowanie algorytmów budowy zespołów modeli statystycznych klasyfikatorów/regresorów (ang. Ensemble Models), które posiadają lepsze zdolności predykcyjne aniżeli modele składowe. W wypadku modeli złożonych: zespołów modeli i modeli hybrydowych, podstawowe znaczenie ma rozstrzygnięcie czy zastosować modele homogeniczne (tego samego typu) czy heterogeniczne (różnorodnych typów, o różnym obciążeniu i różnych własnościach), i które rodzaje modeli bazowych są najbardziej przydatne. Ponadto należy określić jaką liczbę prób należy przeprowadzić i na jakich zbiorach danych, ile modeli składowych utworzyć, jak zapewnić różnorodność modeli składowych, jaką metodą zagregować ich wyniki, jakich testów statystycznych, służących do porównania wielu modeli na wielu zbiorach danych, użyć do ewaluacji uzyskanych wyników. Problemem do rozwiązania jest równoczesne zapewnienie odpowiedniej stabilności modeli tak, by nieznaczne zmiany, któregokolwiek z parametrów nie powodowały znaczących zmian wyników predykcji. Kolejnym zagadnieniem jest osiągnięcie optymalnej równowagi pomiędzy dokładnością a interpretowalnością modeli, co ma duże znaczenie praktyczne i jest szczególnie trudne do uzyskania w przypadku rozwiązań hybrydowych i wielomodelowych. Głównymi metodami budowy zespołów modeli są: bagging, boosting, stacking, subsampling, random subspaces, mixtures of experts i inne.