StackingClassifier不能直接传原始模型列表，因为其要求所有基估计器必须支持predict_proba或decision_function，且需通过交叉验证生成元特征；若模型不满足该条件（如SVC未设probability=True、XGBoost/LGBM未配置对应参数），会报ValueError。
StackingClassifier 为什么不能直接传原始模型列表？
因为 StackingClassifier 要求每个基估计器（base estimator）必须支持 fit 和 predict_proba（或 decision_function），且在训练时需用交叉验证生成元特征。直接传入未包装的模型会报错 ValueError: All estimators must support predict_proba or decision_function。
- 确保所有基模型都设置了
probability=True（如SVC）或本身默认支持概率输出（如RandomForestClassifier、LogisticRegression） - 如果用了
XGBClassifier或LGBMClassifier，必须显式设置enable_categorical=True（LGBM）或use_label_encoder=False, eval_metric='logloss'（XGBoost），否则predict_proba可能失效 -
StackingClassifier内部默认用cv=5做分层 K 折，若样本量小（如 cv=3 或StratifiedKFold(n_splits=3)，避免某折无正样本
如何正确配置 final_estimator 和 passthrough？
final_estimator 是元学习器，负责拟合由基模型生成的预测结果；passthrough 控制是否把原始特征一并喂给它。这两者选错会导致过拟合或信息浪费。
- 推荐用
LogisticRegression()或RandomForestClassifier(n_estimators=50)作final_estimator——简单、稳定、不易过拟合 - 慎用复杂模型（如
MLPClassifier）当final_estimator，它容易在小规模元特征上过拟合，反而拉低泛化性能 -
passthrough=True仅在原始特征有强判别力且与基模型预测不冗余时有用；多数情况下设为False更干净，避免 final_estimator 学到原始特征的噪声
训练时遇到 “Failed to get predictions” 错误怎么排？
常见于基模型在 CV 折中训练失败，典型错误信息是 Failed to get predictions from estimator XXX，本质是某折数据触发了模型内部异常（如 SVC 在单类样本上崩溃）。
- 检查每折标签分布：
from sklearn.model_selection import StratifiedKFold; skf = StratifiedKFold(n_splits=5); [y[train].max() == y[train].min() for train, _ in skf.split(X, y)]，确认没有纯类折 - 对易出问题的模型（如
SVC）加兜底：用CalibratedClassifierCV(base_estimator=SVC(), cv=3)替代裸SVC，它自带概率校准且更鲁棒 - 禁用并行（
n_jobs=1）运行一次，方便定位具体哪一折、哪个模型报错；再针对性过滤掉异常样本或调整 CV 策略
预测阶段要注意 meta-features 的维度一致性
StackingClassifier 在 fit 时用 CV 构建元特征矩阵（shape = (n_samples, n_base_models * n_classes)），但 predict 时不会重新跑 CV，而是直接用已训练好的基模型做一次前向推理。若训练/预测数据预处理不一致，维度就对不上。
立即学习“Python免费学习笔记（深入）”；
- 务必保证训练和预测时用同一套
StandardScaler/OneHotEncoder实例，不能各自fit_transform - 如果基模型中有 Pipeline（如
Pipeline([('scaler', StandardScaler()), ('clf', LogisticRegression())])），整个 Pipeline 必须作为单个 estimator 传入estimators，不能只传LogisticRegression() - 调用
stacking_clf.predict(X_test)前，先确认X_test维度和训练时一致；若中间做过特征筛选，要同步更新stacking_clf的输入维度逻辑
真正麻烦的不是堆叠本身，而是基模型之间预测接口的隐式契约——谁该返回概率、谁该容忍稀疏输入、谁会在空类别下静默失败。这些细节不提前对齐，训练中途崩一次就得重跑全部 CV。
