StackingClassifier效果差的主因是基模型缺乏多样性、验证策略不当及元学习器选择错误；需避免全用树模型、禁用cv='prefit'、慎用LogisticRegression作元学习器，并依数据规模调整cv折数。
StackingClassifier 用不对，结果比单个模型还差
直接说结论：StackingClassifier 不是“套上就涨点”的黑箱，它对基模型的多样性、验证策略和元学习器选择极其敏感。很多人的精度不升反降，问题往往出在默认参数+随机划分上。
常见错误现象：StackingClassifier 训练完在测试集上 score 突然掉 3–5 个点；或者不同折之间预测结果高度一致，失去“融合”意义。
- 必须用
cv='prefit'以外的方式做层叠——否则基模型会看到自己的训练数据，造成严重过拟合 -
StackingClassifier默认用cross_val_predict（5 折），但如果你的基模型本身训练慢，或数据量小，5 折会导致每折样本太少，元特征不稳定 - 别用
LogisticRegression当元学习器还加class_weight='balanced'——它会把本就不多的 meta-feature 搞得更偏，尤其小样本多分类时
怎么配基模型才不互相“抄作业”
层叠有效性的前提是基模型犯错模式不重叠。如果全用 RandomForestClassifier + ExtraTreesClassifier + GradientBoostingClassifier，三者都基于决策树，meta-feature 实际上只是同一类偏差的多次采样。
使用场景：二分类任务中，建议混搭不同原理的模型，比如：
- 一个线性模型：
LogisticRegression（带l2正则） - 一个树模型：
RandomForestClassifier（限制max_depth=5防过拟合） - 一个距离/概率模型：
KNeighborsClassifier（n_neighbors=7，避免太敏感）
注意：KNeighborsClassifier 在高维稀疏特征上表现极差，如果用了 TfidfVectorizer，务必先降维或换 MLPClassifier 替代。
cv 参数不是摆设，设错等于白搭
cv 控制的是 meta-feature 的生成方式，直接影响元学习器看到的输入质量。默认 cv=5 对多数中等数据集够用，但以下情况必须调：
- 样本 cv=3，否则某几折只剩几十条，
cross_val_predict输出的预测概率方差极大 - 类别严重不均衡（如正样本占比 StratifiedKFold(n_splits=5, shuffle=True, random_state=42)，否则某折可能没正样本，导致
predict_proba报ValueError: Unknown label type: 'unknown' - 想复现结果：所有基模型和
cv都得固定random_state，否则每次跑 meta-feature 都不同
别跳过 final_estimator 的校准步骤
很多人把 StackingClassifier 当成终点，其实它的输出（尤其是概率）未必可靠。final_estimator 默认是 LogisticRegression，但它拟合的是基模型输出的“伪概率”，这些值本身不一定满足概率性质（比如不归一、不校准）。
性能影响明显：在需要阈值决策或 AUC 评估的任务中，未经校准的 stacking 输出常导致 PR 曲线抖动、F1 波动大。
- 简单做法：把
final_estimator换成CalibratedClassifierCV(base_estimator=LogisticRegression(), cv='prefit') - 更稳的做法：在 stacking 前，先对每个基模型单独做
CalibratedClassifierCV（cv=3），再喂给StackingClassifier - 别用
SVC(probability=True)当基模型——它内部用 Platt scaling，小样本下校准不可靠，容易让 meta-feature 带上系统性偏差
真正难的不是堆模型，是让每个环节的输出都可预期、可诊断。stacking 容易掩盖上游 bug，比如某个基模型实际根本没训好，但它的错误被其他模型“平均”掉了，最后你只看到一个平滑但虚假的提升。
