Soft Voting [medium]

v1 hard voting 은 각 분류기의 최종 레이블 만 사용 → 정보 손실. Soft voting 은 예측 확률 을 평균해서 argmax → 확신도 반영:

$\hat{y}_i = \arg\max_k \frac{1}{\sum_m w_m} \sum_{m=1}^{M} w_m \cdot P_m(y = k | x_i)$

Hard vs Soft

방법	입력	동점 처리	정보 활용
Hard	레이블 (M, N)	bincount tie → 최소값	일부만
Soft	확률 (M, N, K)	연속 평균, tie 거의 없음	전체 분포

가중치 $w_m$

신뢰 있는 분류기에 더 큰 가중. 예:

• Cross-validation accuracy
• AdaBoost 의 $\alpha$
• 수동 신뢰도

weights=None 이면 균등 가중 (단순 평균).

왜 Soft 가 보통 더 나은가

• 한 분류기가 $(0.51, 0.49)$ 출력 (확신 없음) + 다른 두 개가 $(0.1, 0.9), (0.2, 0.8)$ (확신)
• Hard voting: 첫 번째 → 0, 나머지 → 1 → 평균 1 (2 대 1)
• Soft voting: 평균 $(0.27, 0.73)$ → 1 (확신 반영 일치)

과제

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

• probs shape (M, N, K): 각 분류기·샘플·클래스별 확률.
• weights shape (M,) 또는 None (균등).
• 반환: shape (N,) 정수 레이블 (argmax).
• 힌트: np.average(probs, axis=0, weights=weights) → argmax(axis=1).

테스트 케이스

#	이름	검증
1	shape (N,)
2	weights=None → 단순 평균
3	만장일치 확률 → 그 클래스
4	한 분류기에 과도 가중 → 그 예측 지배
5	Soft ≠ Hard in specific case	확신도 차이 반영
6	확률 합 보존 (평균도 1)
7	weights 정규화 자유도 (scale 무관)