假设在二元分类任务中，我有单独的分类器A、B和C。如果我A单独使用，我将获得高准确率，但召回率低。换句话说，真阳性的数量非常多，但它也错误地将其余标签标记为False。B，并且C精度要低得多，但单独使用时，它们可能（或可能不会）导致更好的召回率。如何定义一个集成分类器，该分类器A仅在将数据标记为的情况下赋予分类器优先级，并在将标签True预测为 时给予其他分类器的预测更多权重。AFalse
这个想法是，A在捕捉真阳性方面已经优于其他人，我只想在不影响精确度的情况下提高召回率。
根据您的描述，看起来不同的模型有不同的偏见。两个重要问题：您有任何数据不平衡问题吗？你使用什么样的模型？如果您有不同的偏见，使用基于堆叠的分类器是有益的。尝试使用简单的基于堆栈的分类器。对于您的 1 级分类器，请使用不同的模型（例如 SVM-L、SVM-NL、DT、RF 等）。对于您的元数据，使用概率，对于元分类器，使用随机森林。
如果您遇到数据不平衡问题，则使用基于堆栈的分类器更具挑战性。
如何定义一个集成分类器，仅在将数据标记为 True 并在 A 将标签预测为 False 时给予其他分类器的预测更多权重的情况下，才优先考虑分类器 A。
因为，您的依赖取决于您的预测而不是标签。
最好和最简单的方法是手动进行 -
1. 创建 3 个模型
2. 使用所有 3 个进行预测
3. 调用函数来调整分类器权重
4. 调用加权预测
###Pseudo-code
def cust_wt(p_a, p_b, p_c):
if (p_a > THRESHOLD):
weights = 60:20:20
else:
weights = 20:40:40
my_actual_predict(weights) ##Call the voting Classifier
您可以使用 Sklearn 的不同权重分类的投票。
投票分类器