让我们举一个简单的例子来说明这两种方法是如何工作的。

想象一下，您有 3 个分类器（1、2、3）和两个类（A、B），并且在训练之后您正在预测单个点的类。

硬投票

预测：

分类器 1 预测 A 类

分类器 2 预测 B 类

分类器 3 预测 B 类

2/3 分类器预测 B 类，因此B 类是集成决策。

软投票

预测

（这与前面的示例相同，但现在以概率表示。此处仅显示 A 类的值，因为问题是二元的）：

分类器 1 以 90% 的概率预测 A 类

分类器 2 以 45% 的概率预测 A 类

分类器 3 以 45% 的概率预测 A 类

在分类器中属于 A 类的平均概率是(90 + 45 + 45) / 3 = 60%。因此，A 类是集成决策。

所以你可以看到，在同样的情况下，软投票和硬投票会导致不同的决定。软投票可以改进硬投票，因为它考虑了更多的信息；它在最终决策中使用每个分类器的不确定性。分类器 2 和 3 的高不确定性本质上意味着最终的集成决策强烈依赖于分类器 1。

这是一个极端的例子，但这种不确定性改变最终决定的情况并不少见。