Machine learning 从多个分类器计算分数

我试图确定一个大型收藏中的成对物品之间的相似性。这些项目有几个属性，我能够为每个属性计算一个离散的相似性分数，介于0和1之间。我根据属性使用各种分类器：TF-IDF余弦相似性、朴素贝叶斯分类器等

当涉及到将所有这些信息编译成所有项目的最终相似性分数时，我陷入了困境。我不能只取一个未加权的平均值，因为1）什么是高分取决于分类器，2）有些分类器比其他分类器更重要。此外，一些分类器应仅考虑其高分，即高分表示更高的相似性，但低分没有意义

到目前为止，我已经通过猜测计算出了最终的分数，但是越来越多的分类器使得这是一个非常糟糕的解决方案。有什么方法可以确定一个最佳的公式，它可以计算我的各种分数并只返回一个？需要注意的是，系统确实会收到人类反馈，这就是一些分类器的工作原理

---

最终，我只对排名感兴趣，对于每个项目，最相似的项目。绝对分数本身是没有意义的，只是它们的顺序很重要

找一本关于集成分类的书。关于如何学习好的分类器组合，已经有很多工作要做。有很多选择。当然，您可以学习权重并进行加权平均。也可以使用纠错码。等等，pp

---

无论如何，请阅读“集成分类”，这是您需要的关键词。

有一本关于集成分类器主题的好书。该网站的网址为：

本书有两章（ch4和ch5）介绍标签输出的融合以及如何获得单个决策值

本章定义了一套方法，包括：

1加权多数票

2-朴素贝叶斯组合

3-

---

我希望这就是您想要的。

您可以添加另一个分类器，它将其他分类器的输出作为输入并返回单个值；）我明白这个想法，但不知道怎么做。你有没有一个例子或链接？你有没有特别推荐给机器学习新手的书？嗯，“Weka书”绝对适合机器学习，但我不知道它是否谈到集成。