我有一个由200个独立SVM分类器组成的VotingClassifier。默认情况下，该分类器使用多数规则投票。我希望设置一个自定义阈值——只有当60%或更多的SVM分类器结果相同的情况下，才进行分类。

如果59%的SVM分类器具有相同的分类结果，我不希望集成模型进行分类。

我没有看到VotingClassifier对象有这样的参数，但我认为在scikit-learn中应该有这样的功能。我应该使用不同的集成类吗？

回答：

根据页面底部的介绍，最简单的解决方案是使用转换方法：

def transform(self, X):        """返回每个估计器对X的类标签或概率。
        参数
        ----------
        X : {array-like, sparse matrix}, shape = [n_samples, n_features]
            训练向量，其中n_samples是样本数量，n_features是特征数量。
        返回
        -------
        如果`voting='soft'`且`flatten_transform=True`：
          array-like = (n_classifiers, n_samples * n_classes)
          否则 array-like = (n_classifiers, n_samples, n_classes)
            每个分类器计算的类概率。
        如果`voting='hard'`：
          array-like = [n_samples, n_classifiers]
            每个分类器预测的类标签。
        """

只需编写一个简单的函数，计算每行的总和除以SVM的数量，然后应用您的阈值：

if(ratio>threshold):     return 1elif(ratio<(1-threshold)):     return 0else:     #我们不进行预测     return -1