模型融合加權投票 使用指南

按各模型權重計算加權投票或加權平均的整合輸出機率，適用於整合學習、模型融合與預測精度提升方案評估。

計算公式與原理

加權平均機率 = Σpᵢwᵢ / Σwᵢ；硬投票 = Σ[pᵢ ≥ 0.5] ≥ 2 判正類；整合置信度 = |加權機率 − 0.5| × 2

軟投票用權重平均機率，能利用模型輸出的置信度資訊，通常優於硬投票的多數決。權重可按各模型驗證集表現分配；若子模型同質性太強（同一架構不同種子），整合增益會非常有限。

使用步驟

1. 填寫「模型1機率」。
2. 填寫「模型1權重」。
3. 填寫「模型2機率」。
4. 填寫「模型2權重」。
5. 填寫「模型3機率」。
6. 填寫「模型3權重」。
7. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 加權投票：對各類別累加各模型輸出機率×權重，取最大者為預測。
• 加權平均直接對各模型輸出機率做加權和，權重常按單模型驗證準確率設定。
• 融合能降低方差、提升穩健性，前提是基模型具備多樣性(誤差不相關)。

算例參考

• 兩模型加權融合：模型A對類別1機率0.7(權重0.6)，模型B 0.4(權重0.4) → 融合=0.7×0.6+0.4×0.4=0.58，仍判為類別1。若B權重更高(0.7)則=0.7×0.3+0.4×0.7=0.49 翻轉為類別0。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

融合一定比單模型好嗎？

不一定。若基模型高度相關(同源訓練)，融合增益很小甚至過擬合；只有誤差多樣、互補的模型融合才穩定提升。

權重怎麼定？

常用各模型在驗證集的準確率或 AUC 作權重，也可用網格搜尋/線性規劃最佳化組合係數，避免隨意設定。