clf = VotingClassifier(
estimators=[('dtc', mdl1), ('knc', mdl2), ('svc', mdl3)],
flatten_transform=False, #默认True
voting='soft')
clf.fit(X, y)
# 评估
y_pred = clf.predict(X)
displayClassifierMetrics(y, y_pred, clf.classes_, poslabel)
# #可以用名字来访问训练好的基学习器
# mdl4 = clf.named_estimators_['dtc']
# mdl5 = clf.estimators_[0]
# 同时返回三个基学习器的预测结果
pred = clf.transform(X)
# print(pred.shape)
# 函数transform的返回格式
# 若voting='hard'，二元组(2464, 3)
# 则返回预测结果，形如(n_samples, n_classifiers)
# 若voting='soft',则：
# 若flatten_transform=True，
# 则返回概率，形如(n_samples, n_classifiers* n_classes)
# 二元组(2464, 6)，列分别是[第1个基类预测0的概率，第1个基类预测1的概率，第2个...,第3个基类预测1的概论]
# 若flatten_transform=False，三元组(3, 2464, 2)
# 则返回概率，形如(n_classifiers, n_samples, n_classes)
# [0,30,0]表示：第0个基类，
# 投票类
# VotingClassifier(estimators, *, voting='hard',
