Math n个弱分类器组合的精度极限

对于数据集D（n*m），n是样本数，m是特征数。 有k个弱分类器，每个分类器的准确率为60%。 有多少弱分类器组合可以将准确率提高到90%？ 这个问题能用数学公式解决吗

如果使用2个分类器，准确率为60% 如果使用3个分类器，准确率为64.8%（3*60%^2*40%+60%^3）

---

是吗？

你的问题背后的想法令人困惑。 当您选择的每个模型对单个类都有很好的性能时，这就可以工作了。因此，您可以根据类为每个类分配权重，并生成最终输出

比如说,， 您有3个类（C1、C2、C3）

假设模型A，很好地预测了C1，那么你可以把C1的最终概率设为

_C1的概率=模型_A_概率0.7+模型_B_概率0.2+模型_C_概率*0.1

同样，您可以对其他类应用相同的规则。您可能必须更改指定的权重，这通常是基于特定类的每个模型的精度来完成的。只有当模型对不同的类执行不同的操作时，这才有效

---

如果您想了解更多信息，可以查看xgboost alogrithm，本博客对此做了很好的解释：

对不起，我可能没有把问题说清楚。我们只知道数据有n个样本和m维特征，我们无法训练模型，所有弱分类器都经过训练。我们只能将它们结合起来以提高准确性。所以我们不能使用xgboost或其他算法。在这种情况下，装袋（投票）似乎是唯一的办法。假设数据有两类，那么投票就是一种方式。