官方文档似乎没有提供这方面的信息。

我想知道为什么我们不能直接提供已经训练好的模型给VotingClassifier，这样就不需要再次训练，因为VotingClassifier要求我们在预测之前调用fit方法。

它只是这样做的吗：

for clf in self.clfs:    clf.fit(X, y)

还是使用了某种更有趣的折叠方法？

回答：

以下是VotingClassifier.fit的具体操作：

def fit(self, X, y, sample_weight=None):    ...  # 验证参数、估计器等    self.le_ = LabelEncoder()    self.le_.fit(y)    self.classes_ = self.le_.classes_    self.estimators_ = []    transformed_y = self.le_.transform(y)    self.estimators_ = Parallel(n_jobs=self.n_jobs)(            delayed(_parallel_fit_estimator)(clone(clf), X, transformed_y,                sample_weight)                for _, clf in self.estimators)    return self

… 其中_parallel_fit_estimator只是对estimator.fit调用的一个包装器：

def _parallel_fit_estimator(estimator, X, y, sample_weight):    if sample_weight is not None:        estimator.fit(X, y, sample_weight)    else:        estimator.fit(X, y)    return estimator

如您所见，该方法确实是并行地拟合分类器，并创建标签编码器self.le_和self.estimators_属性。predict()或transform()方法都是基于这些属性构建的，这就是为什么必须先调用fit()方法的原因。