我正在做一个文本分类任务（5000 篇文章由 10 个标签均匀分布）。我探索LinearSVC并得到了80％的准确率。现在我猜想是否可以通过使用ensemble分类SVM器作为基础估计器来提高准确性？
但是，我不知道如何使用ensemble包含所有功能的分类器？请注意，我不想将不同的特征直接组合在一个向量中。
因此，我的第一个问题：为了提高当前的准确性，是否可以使用ensemble分类svm器作为基估计器？
我的第二个问题如何使用ensemble包含所有特征的分类器？
Boosting- 是试图添加新模型的集合，这些模型在以前的模型缺乏的地方做得很好。scikit 中的Bagging允许您将基本分类器作为参数发送。浏览 1.11 的链接以了解更多信息！
但是，既然您已经记住，SVM 执行更好的投票分类器sklearn.ensemble可以让您为您似乎表现良好的分类器赋予权重。例如，在您的问题中，可以赋予 SVM 更多的权重。它还有另一个参数“投票”。If hard，使用预测的类标签进行多数规则投票 else if soft，根据预测概率之和的 argmax 预测类标签。
是的，当然可以使用 SVM 提高准确性。
首先，我会选择已经准备好的ensemble算法，例如随机森林或 AdaBoost。它们可以包含所有功能并且是强大的预测器。
此外，正如 Hima Varsha 的回答中提到的，scikit-learn 提供voting_classifier了轻松组合算法的功能。但是你可以更进一步，做一些所谓的混合——你在你的数据集上拟合各种算法，然后根据它们的预测，你拟合另一组算法来产生最终预测。它可以很容易地实现，参见这个例子。