Python 可以在预训练模型上使用StackRegressor吗？

我想使用scikit learn的StackedDegressor来构建一个合奏，但我想使用预训练的keras模型。基本上，我想利用元回归以最好的方式使用每个基本模型，但我不需要对它们进行训练。差不多

regressor_1 = KerasRegressor(build_fn)
regressor_2 = KerasRegressor(build_fn)
regressor_3 = KerasRegressor(build_fn)
regressors = [('r1', regressor_1),
              ('r2', regressor_2),
              ('r3', regressor_3)]

xgboost = XGBRegressor(learning_rate=0.01, n_estimators=3460,
                       max_depth=3, min_child_weight=0,
                       gamma=0, subsample=0.7,
                       colsample_bytree=0.7,
                       objective='reg:linear', nthread=-1,
                       scale_pos_weight=1, seed=27,
                       reg_alpha=0.00006)
stack_gen = StackingRegressor(estimators=regressors,
                                final_estimator=xgboost,
                                n_jobs=-1)

---

但同样没有安装基本模型。

我认为您不需要使用

堆叠回归器

这样做：

prediction =[]
for reg in regressors:
     predictions.append(reg.predict(X))

xgboost.fit_predict(prediction)

通过描述和定义，sklearn的StackingRegressionor模块使用多元回归器的预测将其注入另一个回归模型

“每个估计器的预测都被叠加在一起，然后
用作最终估计器的输入，以计算预测。”

因此，为了接收（简单描述）if-then或y=ax+bz逻辑，并将ifs和x-z放入方程中，不可避免地需要对某些数据进行拟合（生成算法）

我在想，在你的场景中，你可能只需要一个集合技术，即取“最佳”（误差最小）或简单地取预测的平均值。
更多关于该主题和sklearn模块的信息：