Python 用结果数据代替分类器的Sklearn集成模型

例如，预计会有一个估计器列表，但在我的情况下，不同的估计器已经为训练数据集和结果数据集生成了结果（以每个可能标签的概率形式，例如

[0.8,0.2,0.0,0.0]

）。有没有办法用它来代替实际的分类器？

如果你已经计算了概率，那么你可以使用简单的等效numpy代码。请注意，您需要将示例推广到具有许多预测的情况：）

---

如果已经计算了概率，那么可以使用简单的等效numpy代码。请注意，您需要将示例推广到具有许多预测的情况：）

import numpy as np

class_1 = [0.5, 0.4, 0.1, 0.0]
class_2 = [0.0, 0.4, 0.6, 0.0] 
class_3 = [0.5, 0.4, 0.05, 0.05] 
class_combined = np.array([class_1, class_2, class_3])
class_combined

# VotingClassifier(voting='hard')
hard_voting = np_matrix.argmax(axis=1)
hard = np.bincount(voting).argmax()
0

# VotingClassifier(voting='soft')
soft_sum = class_combined.sum(axis=0)
soft = soft_sum.argmax()
1