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。

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。

模型融合加权投票

🤖 Ensemble Weighted Voting

Combine several models by weighted voting or weighted averaging to get an ensemble probability, and see how each model weight shifts the result.

📐 计算公式 / 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。

模型1概率

模型1权重

模型2概率

模型2权重

模型3概率

模型3权重

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。