对于分类任务，我使用投票分类器来集成逻辑回归和SVM，并将投票参数设置为soft。结果明显优于每个单独的模型。我不确定我是否理解它是如何工作的。模型如何才能在两个模型之间找到多数投票？
答案 0 :(得分：6)
假设您有两个课程class-A和class-B
Logistic Regression（内置 predict_proba（）方法）和SVC（设置概率= True）都可以估算其输出上的类概率，即它们预测是否输入 class-A ，概率 a 且 class-B ，概率 b 。如果 a＆gt; b ，则输出预测类别为 A ，否则 B 。在投票分类器中，将投票参数设置为soft他们（SVM和LogiReg）单独计算他们的概率（也称为置信度得分）并将其呈现给投票分类器，然后voting classifier平均他们并输出具有最高概率的类。
确保如果设置voting=soft，那么您提供的分类器也可以计算此置信度分数。
要查看每个分类器的可信度，您可以这样做：
from sklearn.metrics import accuracy_score
y_pred=classifer_name.predict(X_test) #classifier_name=trained SVM/LogiReg/VotingClassifier
print(classifier_name.__class__.__name__,accuracy_score(y_true,y_pred))
注意： a + b 可能因计算机浮点舍入而无法显示为 1 。但它 1 。我不能说决定函数之类的其他置信度得分，但是使用predict_proba（）就是这种情况。