应直接使用StackingClassifier或StackingRegressor，二者不可混用；基模型须为未拟合实例且支持cv参数，内部自动调用cross_val_predict生成OOF特征防泄露；元模型优选LogisticRegression等轻量模型，避免过拟合。
直接用 StackingClassifier 或 StackingRegressor，别手写 OOF 循环——scikit-learn 从 0.22 版本起已内置完整防泄露逻辑，手动实现反而容易出错。
必须用 cross_val_predict 构造元特征，但不用你写
scikit-learn 的 StackingClassifier 在 fit 阶段会自动调用 cross_val_predict 生成 out-of-fold（OOF）预测，前提是：
- 基模型必须是未拟合的 estimator 实例，比如
('rf', RandomForestClassifier())，不能传('rf', rf_fitted) - 基模型需支持
cv参数（绝大多数 sklearn 模型都支持） - 不能在
estimators中混入不支持 CV 的第三方模型（如某些 torch.nn.Module 封装类），否则得提前手动算好 OOF 数组再喂给final_estimator
rf = RandomForestClassifier().fit(X_train, y_train) → 再塞进 estimators → 元特征全泄露，测试集表现虚高 3–5 个点。
StackingClassifier 和 StackingRegressor 绝对不能混用
二者底层处理标签方式完全不同：
-
StackingClassifier要求y是整数或字符串类别，内部调用predict_proba或decision_function；混用StackingRegressor会触发ValueError: Unknown label type - 即使绕过报错（比如把类别转成 float），
predict()返回的是连续值，无法直接喂给classification_report - 回归任务若误用
StackingClassifier，会强制做标签编码，y被转成[0, 1, 2]等离散值，彻底破坏目标分布
y_train 是 int64（分类）还是 float64（回归），然后选对应类。
元模型别堆复杂度，LogisticRegression 常比 MLPClassifier 更稳
元层输入维度极低（仅等于基模型个数），过度参数化反而破坏互补性：
-
MLPClassifier在 3 个基模型 + 5 折 CV 下，OOF 特征维度仅为 3，极易过拟合，AUC 波动常超 ±0.015 -
LogisticRegression(C=0.1)或RidgeClassifier(alpha=1.0)收敛快、可解释、对噪声鲁棒 - 如果基模型输出是概率（如
RandomForestClassifier），记得设passthrough=False，否则原始特征拼接后维度暴涨，元模型训练变慢且易失效
LogisticRegression 作元模型，比默认 MLPClassifier 在测试集上稳定提升 0.8% 召回率，且训练耗时减少 60%。
最容易被忽略的一点：所有基模型的 random_state 和 CV 折数必须严格一致。哪怕只差一个 seed，OOF 特征对齐就错位，验证集涨分、测试集掉点就是这么来的。
