如何正确组合我的分类器？
How to correctly combine my classifiers?
- 我必须解决 2 class class化问题.
- 我有 2 classifier 输出概率。它们都是不同架构的神经网络。
这 2 个 classifier 被训练并保存到 2 个文件中。
现在我想构建元 classifier，它将概率作为输入并学习这 2 个 classifier 的权重。
所以它会自动决定我应该 "trust" 每个 classifiers.
此处描述此模型：
http://rasbt.github.io/mlxtend/user_guide/classifier/StackingClassifier/#stackingclassifier
我打算使用 mlxtend 库，但似乎 StackingClassifier 改装模型。
我不想改装，因为这需要非常多的时间。
另一方面，我了解到每个 class 化器和 "tune" 整个系统的 "coordinate" 工作都需要改装。
遇到这种情况怎么办？
我不会谈论 mlxtend 因为我没有使用过它，但我会告诉你大概的想法。
您不必将这些模型重新拟合到训练集，但您必须将它们重新拟合到训练集的一部分，以便您可以创建折叠外预测。
具体来说，将您的训练数据分成几部分（通常是 3 到 10 个）。保留一件（即折叠）作为验证数据，并在其他折叠上训练两个模型。然后，使用两个模型预测验证数据的概率。重复将每个折叠视为验证集的过程。最后，你应该得到训练集中所有数据点的概率。
然后，您可以使用这些概率和基本事实标签来训练元分类器。您可以在新数据上使用经过训练的元分类器。
- 我必须解决 2 class class化问题.
- 我有 2 classifier 输出概率。它们都是不同架构的神经网络。 这 2 个 classifier 被训练并保存到 2 个文件中。
现在我想构建元 classifier，它将概率作为输入并学习这 2 个 classifier 的权重。 所以它会自动决定我应该 "trust" 每个 classifiers.
此处描述此模型：
http://rasbt.github.io/mlxtend/user_guide/classifier/StackingClassifier/#stackingclassifier
我打算使用 mlxtend 库，但似乎 StackingClassifier 改装模型。
我不想改装，因为这需要非常多的时间。
另一方面，我了解到每个 class 化器和 "tune" 整个系统的 "coordinate" 工作都需要改装。
遇到这种情况怎么办？
我不会谈论 mlxtend 因为我没有使用过它，但我会告诉你大概的想法。
您不必将这些模型重新拟合到训练集，但您必须将它们重新拟合到训练集的一部分，以便您可以创建折叠外预测。
具体来说，将您的训练数据分成几部分（通常是 3 到 10 个）。保留一件（即折叠）作为验证数据，并在其他折叠上训练两个模型。然后，使用两个模型预测验证数据的概率。重复将每个折叠视为验证集的过程。最后，你应该得到训练集中所有数据点的概率。
然后，您可以使用这些概率和基本事实标签来训练元分类器。您可以在新数据上使用经过训练的元分类器。