我正在使用 SMO、逻辑回归、贝叶斯网络和简单 CART 算法进行分类。结果形成 WEKA：

Algorithm               Sensitivity (%)       Specificity (%)         Overall accuracy (%)
Bayesian Network            57.49                 76.09                    65.24
Logistic Regression         64.73                 69.86                    66.87
SMO                         54.32                 79.20                    64.69
Simple CART                 71.88                 61.51                    67.56

SMO 为我的分类问题提供了最好的结果，因为它正确分类了 79.20% 的类，这对我很重要。我想通过堆叠来提高这种准确性。我试图将其中一些结合起来。在大多数情况下，我无法提高准确性，但将 SMO 与 Logistic 回归叠加起来会稍微提高准确性。

我如何解释为什么将 SMO 与 Logistic 回归叠加起来比其他方法更好？

是否有任何概括，例如组合树分类器在堆叠中给出了很好的结果？堆放时我应该注意什么？

编辑：

                                Bayesian Network    Logistic Reg.   SMO         CART 
Kappa statistic                   0.3196             0.3367         0.3158      0.3335 
Mean absolute error               0.3517             0.4164         0.3531      0.4107 
Root mean squared error           0.5488             0.4548         0.5942      0.4547 
Relative absolute error (%)      72.3389              85.65        72.6299      84.477 
Root relative squared error (%) 111.3076            92.2452       120.5239     92.2318 
Weighted Avg. of F-Measure        0.653               0.671          0.676     92.2318 
ROC Area                          0.725               0.727          0.668       0.721

实例总数为25106，其中14641个属于a类，10465个属于b类。

=== Confusion Matrix of Simple CART ===
     a     b   <-- classified as
 10524  4117 |     a = 0
  4028  6437 |     b = 1

=== Confusion Matrix of SMO ===

    a    b   <-- classified as
 7953 6688 |    a = 0
 2177 8288 |    b = 1

=== Confusion Matrix of Logistic Regression ===

    a    b   <-- classified as
 9477 5164 |    a = 0
 3154 7311 |    b = 1

由于 SMO 在 b 类成功，而 CART 在 a 类成功，我尝试将这两种算法结合起来。但我无法提高准确性。然后我尝试将 SMO 与 Logistic Regression 结合起来，准确率提高了一点。为什么用逻辑回归集成 SMO 比用 CART 集成 SMO 更好，有什么解释吗？