StackingClassifier 常比单模型效果好，因其用交叉验证生成基模型预测概率作为新特征，再由LogisticRegression等元学习器集成，能降低偏差与方差；但需确保基模型支持predict_proba、cv=5防泄露、元学习器不过复杂。
StackingClassifier 为什么常比单模型效果好
因为它的核心思路是“用模型预测模型的输出”，把多个基学习器的预测结果当新特征，再喂给元学习器（meta-learner）做最终决策。这能缓解单模型的偏差或方差问题，尤其在基模型差异大（比如 RandomForestClassifier + XGBClassifier + SVC）时提升明显。
但注意：它不自动提升精度——如果基模型全过拟合、或元学习器训练方式不对，结果可能更差。
必须用 cv=5 且 disable_cv=False 启动 fit
Stacking 的关键在于避免数据泄露：元学习器的训练数据不能直接来自基模型在相同样本上的预测。scikit-learn 的 StackingClassifier 默认用交叉验证生成元特征，但很多人误传 cv=3 或设 cv=None，导致元特征污染。
-
cv=5是较稳妥选择，平衡稳定性与计算开销 - 绝对不要设
cv=None或disable_cv=True（后者已弃用，但旧文档仍有误导） - 若自定义 cv 分割器（如
StratifiedKFold(n_splits=5, shuffle=True, random_state=42)），需确保其支持split()和n_splits属性
基模型必须支持 predict_proba，否则元特征维度错乱
StackingClassifier 默认用 predict_proba 输出作为元特征（即每个类的概率向量）。如果某个基模型不支持（如 SVC(probability=False) 或 LinearSVC），会报错 AttributeError: 'LinearSVC' object has no attribute 'predict_proba'，或静默降级为 predict，导致元特征从 2 维变 1 维，后续训练崩溃。
- 解决方法：对不支持概率的模型，包装成
CalibratedClassifierCV，例如CalibratedClassifierCV(LinearSVC()) - 检查所有基模型：调用
hasattr(model, 'predict_proba')或看文档是否标注 “supports probability estimates” - 二分类中，
predict_proba返回 shape=(n_samples, 2)，元特征实际只取第二列（正类概率）；多分类则保留全部列
元学习器选 LogisticRegression 而非 DecisionTreeClassifier
元学习器不是越复杂越好。用 DecisionTreeClassifier 容易过拟合元特征（本身已是噪声叠加的结果），而 LogisticRegression 线性加权稳定、可解释、泛化强，是默认推荐。
- 避免用
RandomForestClassifier当元学习器——它会再次引入方差，抵消 stacking 的初衷 - 如果数据极度不平衡，可换
LogisticRegression(class_weight='balanced') - 想调参？只调元学习器的
C（正则强度），基模型参数应在 stacking 外单独优化
真正难的不是搭结构，而是基模型之间得有“互补错误”——比如一个漏检 A 类，另一个专抓 A 类但错标 B 类。这点没法靠代码自动保证，得靠你观察各模型的混淆矩阵。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
