这是大多数分类器的正常行为。机器学习不能保证 100% 的准确率，直接后果是分类器会出错。不同的分类器，即使在相同的数据上进行训练，也会犯不同的错误。具有不同起始权重的神经网络通常每次都会收敛到略有不同的结果。

另外，也许在您的问题中，分类是在某些范围内的人为构造（例如“汽车”与“面包车”或“安全”与“危险”），在这种情况下，一种情况下的错误是完全合理和预期的？

您应该使用您最信任的分类器中的值。要确定是哪一个，请在保留集（​​您知道真实标签的地方）上使用交叉验证，并使用具有最佳准确度的分类器或其他指标，例如对数损失或 ROC 下的面积。您应该更喜欢哪个指标取决于问题的性质以及犯错的后果。

或者，您可以查看对类别概率进行平均以确定最佳预测——也许一个分类器对类别分配非常有信心，而另一个则没有，因此第一个分类器将采用平均值。某种模型聚合通常会提高准确性，并且在例如 Kaggle 比赛中很常见，当您想要尽可能高的分数并且不介意额外的努力和成本时。但是，如果您想使用聚合来解决您的问题，您应该再次使用验证和合适的指标来测试您的假设，以便您知道它是否真的是一种改进。