소프트 보팅 (Soft Voting)

54번 다수결 (Hard Voting) 은 각 분류기의 하드 레이블 을 집계. 소프트 보팅 은 분류기가 내놓는 확률 분포를 평균 낸 뒤 argmax:

$\bar{p}_{i, c} = \frac{1}{M} \sum_{m=1}^{M} p_{i, c}^{(m)}, \quad \hat{y}_i = \arg\max_c \bar{p}_{i, c}$

왜 soft가 대개 더 좋은가

• 확신도를 버리지 않음. 한 분류기가 "0.9 for A vs 0.1 for B"인데 다른 건 "0.49 B vs 0.51 A"면, hard는 1:1이지만 soft는 A 쪽으로 정확히 기울어짐.
• 단, 분류기 출력이 보정(calibrated) 되어 있어야 의미 있음. 로지스틱 회귀/신경망은 대체로 OK, SVM은 Platt scaling 필요.

가중 소프트 보팅 (선택)

$\bar{p}_{i, c} = \frac{\sum_m w_m \, p_{i, c}^{(m)}}{\sum_m w_m}$

과제

함수 soft_vote(probs, weights=None) 를 완성하세요.

• probs shape (M, N, C) — M개 분류기, N개 샘플, C개 클래스 확률.
• weights shape (M,) 또는 None (균등).
• 반환: (N,) 정수 argmax 레이블.
• 루프 없이 브로드캐스팅.

테스트 케이스

#	이름	검증
1	shape	(N,)
2	모두 동일 분포 → argmax
3	약한 확신 vs 강한 확신	강한 쪽 승
4	가중치 편향 → 편향 모델 쪽 따라감
5	hard 대비 더 나은 케이스	손계산