在进行分类任务时，我使用投票分类器来组合逻辑回归和SVM，并将投票参数设置为soft。结果明显优于各个独立模型。我不太确定自己是否理解了它的工作原理。模型如何在只有两个模型的情况下找到多数票呢？

回答：

假设你有两个类别class-A和class-B

Logistic Regression（具有内置的predict_proba()方法）和SVC（设置probability=True）都能够估算其输出的类别概率，即它们预测输入属于class-A的概率为a，属于class-B的概率为b。如果a>b，则输出预测类别为A，否则为B。在投票分类器中，将投票参数设置为soft，使得SVM和逻辑回归能够分别计算它们的概率（也称为置信分数）并将其呈现给投票分类器，然后voting classifier对它们进行平均，并输出概率最高的类别。

请确保如果你设置voting=soft，那么你提供的分类器也能够计算这个置信分数。

要查看每个分类器的置信度，你可以这样做：

from sklearn.metrics import accuracy_scorey_pred=classifer_name.predict(X_test) #classifier_name=trained SVM/LogiReg/VotingClassifierprint(classifier_name.__class__.__name__,accuracy_score(y_true,y_pred))

注意：由于计算机浮点数舍入误差，a+b可能看起来不是1，但实际上是1。我无法对其他置信分数如决策函数发表评论，但在使用predict_proba()时确实如此。