• 我需要解决二分类问题。
• 我有2个分类器，它们输出概率。这两个分类器都是不同架构的神经网络。这两个分类器已经被训练并保存到两个文件中。

现在我想构建一个元分类器，它将概率作为输入，并学习这两个分类器的权重。这样它将自动决定我应该对每个分类器“信任”多少。

这个模型在这里有描述：
http://rasbt.github.io/mlxtend/user_guide/classifier/StackingClassifier/#stackingclassifier
我计划使用mlxtend库，但看起来StackingClassifier会重新拟合模型。
我不希望重新拟合，因为这需要非常多的时间。
另一方面，我明白重新拟合是必要的，以便“协调”每个分类器的工作并“调整”整个系统。

在这种情况下我应该怎么办？

回答：

我不会讨论mlxtend，因为我没有使用过它，但我会告诉你一般的想法。

你不需要对整个训练集重新拟合这些模型，但你需要对其中的部分进行重新拟合，这样你就可以创建出折外预测。

具体来说，将你的训练数据分成几部分（通常是3到10个）。保留一部分（即一个折）作为验证数据，并在其他折上训练两个模型。然后，使用这两个模型预测验证数据的概率。重复这个过程，将每个折作为验证集。最后，你应该会得到训练集中所有数据点的概率。

然后，你可以使用这些概率和真实标签来训练一个元分类器。你可以将训练好的元分类器用于你的新数据。