软投票中的混淆矩阵为什么在多次迭代中会发生变化？

混淆矩阵的变化是由于每次模型训练时使用的数据集不同造成的。解决方法是通过设置随机种子来保持训练数据集的一致性，从而确保每次分类器得出的混淆矩阵相同。具体代码示例如下：

from sklearn.ensemble import VotingClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix

# 设置随机种子
random_state = 42

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=random_state)

# 定义模型
clf1 = LogisticRegression(random_state=random_state)
clf2 = DecisionTreeClassifier(random_state=random_state)
clf3 = SVC(random_state=random_state)

# 定义软投票分类器
voting_clf = VotingClassifier(estimators=[('lr', clf1), ('dt', clf2), ('svc', clf3)], voting='soft')

# 拟合模型
voting_clf.fit(X_train, y_train)

# 预测结果
y_pred = voting_clf.predict(X_test)

# 计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print(cm)