模型融合加权投票 使用指南

按各模型权重计算加权投票或加权平均的集成输出概率，适用于集成学习、模型融合与预测精度提升方案评估。

计算公式与原理

加权平均概率 = Σpᵢwᵢ / Σwᵢ；硬投票 = Σ[pᵢ ≥ 0.5] ≥ 2 判正类；集成置信度 = |加权概率 − 0.5| × 2

软投票用权重平均概率，能利用模型输出的置信度信息，通常优于硬投票的多数决。权重可按各模型验证集表现分配；若子模型同质性太强（同一架构不同种子），集成增益会非常有限。

使用步骤

1. 填写「模型1概率」。
2. 填写「模型1权重」。
3. 填写「模型2概率」。
4. 填写「模型2权重」。
5. 填写「模型3概率」。
6. 填写「模型3权重」。
7. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 加权投票：对各类别累加各模型输出概率×权重，取最大者为预测。
• 加权平均直接对各模型输出概率做加权和，权重常按单模型验证准确率设定。
• 融合能降低方差、提升稳健性，前提是基模型具备多样性(误差不相关)。

算例参考

• 两模型加权融合：模型A对类别1概率0.7(权重0.6)，模型B 0.4(权重0.4) → 融合=0.7×0.6+0.4×0.4=0.58，仍判为类别1。若B权重更高(0.7)则=0.7×0.3+0.4×0.7=0.49 翻转为类别0。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

融合一定比单模型好吗？

不一定。若基模型高度相关(同源训练)，融合增益很小甚至过拟合；只有误差多样、互补的模型融合才稳定提升。

权重怎么定？

常用各模型在验证集的准确率或 AUC 作权重，也可用网格搜索/线性规划优化组合系数，避免随意设定。