绝对多数投票法是什么？得票必须过半才算数的集成规则

绝对多数投票法（Majority Voting）是集成学习中把多个模型的预测结果组合起来的一种规则：只有当某个类别获得了超过半数的模型的投票时，才把它作为最终的预测结果；如果没有任何一个类别的票数过半，就拒绝做出预测。在周志华的《机器学习》一书中，它与相对多数投票法、加权投票法一起，被列为分类任务中常用的三种投票结合策略。

三种投票法的区别

假设一个集成模型由多个分类器组成，每个分类器对一个样本投出一票。绝对多数投票法：要求得票数必须超过总票数的一半。比如有 10 个分类器，某个类别至少要得到 6 票才能被采纳。如果票数比较分散，没有哪个类别过半，比如三个类别分别得到 4 票、3 票和 3 票，就不给出预测结果。相对多数投票法：只要求得票最多，不要求超过半数。在上面的例子中，得到 4 票的类别就会被选为预测结果；如果有多个类别并列得票最多，就从中随机选择一个。加权投票法：给不同的分类器分配不同的权重，按照加权后的票数来决定，表现更好的分类器影响更大。

在日常的叫法中，人们也常常把“少数服从多数”的投票统称为多数投票，但严格来说，绝对多数和相对多数是两种不同的规则。在只有两个类别并且分类器数量为奇数时，两者的结果是一样的，因为得票最多的类别一定过半。

“拒绝预测”有什么用

绝对多数投票法的一个特点是它允许“弃权”：当各个分类器的意见很不统一时，它不会勉强给出一个结论。这在一些对可靠性要求很高的任务中很有价值：比如在医疗诊断中，如果多个模型的判断分歧很大，说明这个病例可能比较疑难，与其给出一个不太可靠的结论，不如把它交给医生进一步检查。在金融风控、内容审核等场景中，也可以把模型拿不准的情况转交人工处理。这种做法体现了一种“宁可不说，也不说错”的思路。当然，如果任务要求必须对每个样本都给出预测，就不能使用绝对多数投票法，或者需要为“拒绝”的情况设计另外的处理方式。

为什么投票能提高准确率

投票之所以有效，可以用一个简单的例子来说明：假设有多个分类器，每一个的准确率都是 70%，而且它们犯错是相互独立的。那么，大多数分类器同时犯错的概率，会比单个分类器犯错的概率小得多。分类器的数量越多，多数投票的准确率就越高，这与 18 世纪法国数学家孔多塞提出的“陪审团定理”是同一个道理。不过，这个结论有一个关键的前提：各个分类器的准确率要高于随机猜测，而且它们犯的错误要尽量不同。如果所有的分类器犯的都是同样的错误，那么投票也无法纠正。因此，集成学习非常重视各个基学习器之间的多样性，比如通过使用不同的训练数据子集、不同的特征子集、不同的算法来训练它们。