我看了scikit learn的文档，但我不清楚VotingClassifier的引擎盖下使用了什么样的分类方法？是逻辑回归、支持向量机还是某种树方法？
我对如何改变引擎盖下使用的分类器方法感兴趣。如果Scikit learn没有提供这样的选项，是否有一个可以轻松与Scikit learn集成的python包可以提供这样的功能？
编辑：
我指的是用于第二级模型的分类器方法。我非常清楚，一级分类器可以是scikit-learn支持的任何类型的分类器。
第二级分类器使用第一级分类器的预测作为输入。所以我的问题是，这个二级分类器使用什么方法？这是逻辑回归吗？还是别的什么？我能换一下吗？
概述
VotingClassifier不限于一种特定的方法/算法。您可以选择多种不同的算法，并将它们组合到一个VotingClassifier中。参见以下示例：
iris = datasets.load_iris()
X, y = iris.data[:, 1:3], iris.target
clf1 = LogisticRegression(...)
clf2 = RandomForestClassifier(...)
clf3 = SVC(...)
eclf = VotingClassifier(estimators=[('lr', clf1), ('rf', clf2), ('svm', clf3)], voting='hard')
点击此处了解更多用法：VotingClassifier用法。当谈到VotingClassifier如何"投票"时，您可以指定voting='hard'或voting='soft'。有关更多详细信息，请参阅下面的段落。
投票
多数类别标签(多数/硬投票)
在多数投票中，特定样本的预测类标签是表示类的大多数(模式)的类标签由每个单独分类器预测的标签。
例如，如果给定样本的预测是
分类器1->分类器1->分类2->分类1分类器3->分类2 VotingClassifier(投票="hard")将对样本进行分类作为"类1"基于多数类标签。
来源：scikit学习多数类标签多数硬投票
加权平均概率(软投票)
与多数投票(硬投票)相比，软投票返回类标签为预测概率之和的argmax。
可以通过权重为每个分类器分配特定的权重参数当提供权重时，预测的类收集每个分类器的概率，乘以分类器权重并取平均值。然后派生出最终的类标签从具有最高平均概率的类标签。
来源/点击此处阅读更多：scikit学习加权平均概率软投票
VotingClassifier不适合第一级分类器输出上的任何元模型。它只是通过模式(如果投票是硬的)或平均概率(如果投票为软的)来聚合第一级中每个分类器的输出。
简单地说，VotingClassifier不会从第一级分类器中学到任何东西。它只合并单个分类器的输出。
如果你想让你的元模型更智能，可以尝试使用adaboost、gradientBoosting模型。