多模型分类结果投票融合
现实生活中，我们可能有多种方法去解决一个多分类问题，每种方法可能对应一种模型或者一种解决问题的思路，那么怎么对这些方法进行融合，以达到更优的分类结果？
你可能会首先想到类似于多模态融合的思路，多模态也使用了多个模型，这些模型从不同模态的数据中提取信息。 而多种方法解决同一个问题，也是使用了多个模型，这些模型从同一模态的数据中提取信息。你也可能想到类似于异构的集成学习的方法，本篇博客主要就是利用一种投票的方式来对多个模型的预测结果进行集成。
预测结果融合流程
- 为每个模型实例化一个对象。并将症状输入到模型中，模型对该症状进行预测，会对一些类别进行打分。如果类别数量过多，往往会选择分数最高的n个预测结果，这会导致不同模型的预测结果的范围可能是不同的，比如模型A和模型B选择的前三个分值最高的预测结果不一定是完全相同的。A可能选择了plane，car，apple，模型B可能选择了plane，car，banana。
- 为了解决范围不同的问题，将模型的所有预测类别（分类）全部都列出来，每个模型都会这些类别当中的一部分进行打分。
- 由于模型没有为所有的类别打分，为了统计方便，先补齐所有的类别，没有进行打分的类别的打分值置0。
- 由于每个模型的分值范围不同（有的可能是0-1，有的可能是0-100，有的可能是0-10000），所以在每个模型补齐后的每个方面要进行归一化处理，这样对每个模型才公平。
- 按照预先设置的权重（手动设置），每个模型设置一个权重值（w1，w2，w3），对每个模型的每个类别进行加权计算，返回加权后的结果的前n个分值最高的结果。