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。

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。

模型融合加權投票 - 免費線上人工智慧工具

🤖 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.

📐 計算公式 / 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。

模型1機率

模型1權重

模型2機率

模型2權重

模型3機率

模型3權重

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。