TensorFlow中常用的集成学习方法包括：
随机森林（Random Forest）：随机森林是一种基于决策树的集成学习方法，通过构建多个决策树来提高预测准确度。
梯度提升树（Gradient Boosting Tree）：梯度提升树是一种迭代的集成学习方法，通过将多个弱分类器组合成一个强分类器来提高预测准确度。
AdaBoost：AdaBoost是一种迭代的集成学习方法，通过调整训练数据集中每个样本的权重来提高预测准确度。
Bagging：Bagging是一种并行的集成学习方法，通过对训练数据集进行有放回的抽样来构建多个模型，然后通过投票或取平均值的方式来进行预测。
XGBoost：XGBoost是一种基于梯度提升树的集成学习方法，用于解决分类和回归问题，具有优秀的性能和速度。
这些集成学习方法在TensorFlow中都有相应的实现和应用。
