我在使用sklearn进行SVM分类方法时，使用了Bagging分类器。

运行代码时，我使用了sklearn提供的默认配置：

classifier = BaggingClassifier(svm.SVC(gamma="scale"))

因此，其属性将是：

BaggingClassifier(base_estimator=svm, n_estimators=10, max_samples=1.0, max_features=1.0, bootstrap=True, bootstrap_features=False, oob_score=False, warm_start=False, n_jobs=None, random_state=None, verbose=0)

显然，这十个估计器各自抽取了所有的样本和特征。那么，我们只是在训练10个类似的并行模型吗？在训练完Bagging模型后，它是如何预测新的测试查询的？仅仅是通过在所有这些相同的分类器中投票吗？在二分类中，当一半的估计器预测为0，另一半预测为1时，预测的标签是什么？

回答：

那么，我们只是在训练10个类似的并行模型吗？

不是的。`bootstrap=True`意味着我们为每个估计器随机抽样，并且是有放回的抽样。每个估计器中的样本数量是相等的，`max_samples=1.0`确保这个数量等于原始数据集的大小。但由于重复和某些样本由于独立的有放回抽样而缺失，发送给每个估计器的最终数据集是相当不同的。

在训练完Bagging模型后，它是如何预测新的测试查询的？仅仅是通过在所有这些相同的分类器中投票吗？

如果基础估计器支持`predict_proba`方法，那么将选择在所有估计器中概率总和最高的类。否则就是多数投票。

在二分类中，当一半的估计器预测为0，另一半预测为1时，预测的标签是什么？

如果你查看BaggingClassifier的predict函数，你会注意到他们使用np.argmax函数来查找最佳类。并且如argmax的文档中的#Notes部分所述 –

“在最大值多次出现的情况下，返回第一次出现的索引”

所以在这种情况下，预测的标签是0。