是否可以在scikit-learn中执行以下操作？我们使用从特征到目标的给定映射来训练估计器A，然后我们使用相同的数据（或映射）来训练另一个估计器B，然后我们使用两个训练的估计器（A和B）的输出作为估计器C的输入。作为目标，我们使用与以前相同的目标。
换句话说，我们训练了两个估算器（预测器），然后我们尝试将“弱”和＃34;预测来自估算器A和B，以获得更好的（＃34;更强的＆＃34;）预测。为了找到结合两种类型预测的最佳方法（来自估算器A和B），我们使用另一种训练（实际上我们以自动方式学习如何组合给定的预测）。
所以，我们有以下结构：
A -> C
B -> C
现在，我希望拥有相同的＆＃34;树＆＃34;估算师。但是，我想同时训练他们。我的意思是，估算器A和B的专业知识不应该通过它们预测目标的能力来评估。我想通过改进估算器C预测的能力来评估这两个估算器的专业性。
答案 0 :(得分：3)
您可以编写自己的变换器，将@contextlib.contextmanager
def wait_for_page_load(self, timeout=10):
self.log.debug("Waiting for page to load at {}.".format(self.driver.current_url))
old_page = self.find_element_by_tag_name('html')
yield
WebDriverWait(self, timeout).until(staleness_of(old_page))
输入到预测中。像这样：
transform然后你可以使用FeatureUnion将变压器粘在一起。
那就是说，有一点需要注意：这种技术被称为Stacking，并且在使用相同的数据训练所有分类器时容易过度拟合，所以你可能想写一些更复杂的分区训练分为两部分：一部分适合基础预测因子，另一部分适合元学习者（结合基础预测的学习者）。