假设我对每个待分类的样本有多个观测。像这样的问题示例包括：

• 一幅画的多个部分，你试图分类其风格
• 一个信号的多个窗口，你试图分类该信号

将这些答案结合成一个答案的最pythonic的方式是什么？

附注：我不想使用集成方法——即结合多个模型对单一样本的输入的答案。我想结合单一模型对单一样本的多个观测的答案。

回答：

你不想要集成方法，但你可以模仿集成方法中的最佳实践。有两种基本的预测聚合方式：

1. 算术平均，如果你的模型进行回归或概率分类。
2. 众数，如果你的模型进行直接分类。

当然，你可以使用任何其他汇总统计来进行聚合。

下面的代码使用pandas实现了这个想法：

import numpy as np
import pandas as pd
import sklearn.tree

object_ids = [1,1,1,2,2,2,3,3,3,3]
x = np.arange(10).reshape(10,1)
y = [0,0,0,1,0,1,1,0,1,1]

# 回归
model = sklearn.tree.DecisionTreeRegressor().fit(x, y)
prediction = pd.Series(model.predict(x)).groupby(object_ids).mean()

# 概率分类
model = sklearn.tree.DecisionTreeClassifier().fit(x, y)
prediction = pd.DataFrame(model.predict_proba(x)).groupby(object_ids).mean()

# 'crisp' 分类
model = sklearn.tree.DecisionTreeClassifier().fit(x, y)
def mode(x):
    return x.value_counts().index[0]
prediction = pd.Series(model.predict(x)).groupby(object_ids).apply(mode)