我一直在研究这个堆叠的例子。在这种情况下，每组K折交叉验证会产生一列数据，并且每个分类器都会重复这一过程。即：用于混合的矩阵是：
dataset_blend_train = np.zeros((X.shape[0], len(clfs)))dataset_blend_test = np.zeros((X_submission.shape[0], len(clfs)))我需要堆叠来自多分类问题的预测（每个样本可能有15个不同的类）。这将为每个分类器生成一个n*15的矩阵。
这些矩阵应该只是水平拼接吗？还是应该在应用逻辑回归之前以其他方式组合？谢谢。
回答：
你可以通过两种方式将代码适应多分类问题：
- 水平拼接概率，即你需要创建：
dataset_blend_train = np.zeros((X.shape[0], len(clfs)*numOfClasses))dataset_blend_test = np.zeros((X_submission.shape[0], len(clfs)*numOfClasses)) - 不使用概率，而是使用基础模型的类别预测。这样可以保持数组大小不变，但你只需使用
predict而不是predict_proba。
我两种方法都成功使用过，但哪种方法效果更好可能取决于数据集。
