在scikit-learn中是否可以实现以下操作？我们使用给定的特征到目标的映射来训练估计器A，然后使用相同的数据（或映射）来训练另一个估计器B，接着我们将两个已训练的估计器（A和B）的输出作为输入用于训练估计器C，并使用之前相同的目标作为目标。

换句话说，我们训练两个估计器（预测器），然后尝试将来自估计器A和B的“弱”预测结合起来，得到更好的（“更强”的）预测。为了找到结合这两种预测（来自估计器A和B）的最佳方式，我们使用另一种训练方法（实际上，我们自动学习如何结合给定的预测）。

因此，我们有以下结构：

A -> CB -> C

现在，我希望拥有相同的“树”形估计器结构。然而，我希望同时训练它们。我的意思是，估计器A和B的专业性不应通过它们预测目标的能力来评估。我希望通过它们改善来自估计器C的预测的能力来评估这两个估计器的专业性。

回答：

你可以编写自己的转换器，将输入转换为预测。类似这样：

class PredictionTransformer(sklearn.base.BaseEstimator, sklearn.base.TransformerMixin):    def __init__(self, estimator):        self.estimator = estimator    def fit(self, X, y):        self.estimator.fit(X, y)        return self    def transform(self, X):         return self.estimator.predict_proba(X)

然后你可以使用FeatureUnion将你的转换器组合在一起。

不过，需要注意的是：这种技术被称为堆叠，当所有分类器使用相同的数据进行训练时，容易过拟合，因此你可能需要编写更复杂的代码，将训练集划分为两部分：一部分用于拟合基础预测器，另一部分用于拟合元学习器（结合基础预测的那个）。