如何用python集成支持向量机和Logistic回归

我正在做一个文本分类的任务（由10个标签均匀分布的7000个文本）。并通过探索支持向量机和Logistic回归

clf1 = svm.LinearSVC()
clf1.fit(X, y)
clf1.predict(X_test)
score1 = clf1.score(X_test,y_true)

clf2 = linear_model.LogisticRegression()
clf2.fit(X, y)
clf2.predict(X_test)
score2 = clf2.score(X_test,y_true)

我得到了两个精度，

score1

和

score2

我想我是否可以通过开发一个集成系统来提高精度，该系统将上述两个分类器的输出结合起来。 我自学了

集成

的知识，我知道有

打包、增压和堆叠

。

---

然而，我不知道如何使用我的SVM和逻辑回归在

集合中预测的分数。谁能给我一些想法或给我看一些示例代码吗？
你可以将概率相乘，或者使用另一个组合规则

为了以更通用的方式实现这一点（尝试几种规则）
你可以用

此外，请记住，分类器应足够多样化，以提供良好的组合结果

如果您的功能较少，我会说您应该查看一些动态分类器/集成选择（brew中也提供了），但由于您可能有许多功能，欧几里德距离对于获取每个分类器的能力区域可能没有意义。最好的办法是根据混淆矩阵，手工检查每个分类器倾向于获得正确的标签类型

from brew.base import Ensemble
from brew.base import EnsembleClassifier
from brew.combination.combiner import Combiner

# create your Ensemble
clfs = [clf1, clf2]
ens = Ensemble(classifiers=clfs)

# Since you have only 2 classifiers 'majority_vote' is note an option,
# rule = ['mean', 'majority_vote', 'max', 'min', 'median']
comb = Combiner(rule='mean')

# now create your ensemble classifier
ensemble_clf = EnsembleClassifier(ensemble=ens, combiner=comb)
ensemble_clf.predict(X)