要确定权重，可以使用协方差矩阵的逆矩阵作为权重。权重向量可通过以下公式计算：

权重向量=协方差矩阵的逆矩阵×单位向量
推导：
权重向量的公式可以通过最小化误差的方法推导得到。基本思想是希望通过模型融合，得到的综合模型的预测结果与真实值之间的误差最小化。在这个过程中，我们需要确定每个模型的权重，使得其预测结果能够最好地与真实值拟合。

假设我们有 n 个模型，它们的预测结果分别为 $(y_1,y_2,...,y_n)$，真实值为 $(y)$。我们希望通过权重 $(w_1,w_2,...,w_n)$ 来对这些预测结果进行加权平均，得到综合模型的预测结果 $(\hat{y})$，即：

$[\hat{y}=w_1\cdot y_1+w_2\cdot y_2+...+w_n\cdot y_n]$

为了最小化综合模型的预测结果与真实值之间的误差，可以使用最小二乘法，即最小化误差的平方和。误差可以表示为：

$[\text{Error}=(y-\hat{y}{)}^2]$

将 $(\hat{y})$ 的表达式代入其中：

$[\text{Error}=(y-(w_1\cdot y_1+w_2\cdot y_2+...+w_n\cdot y_n){)}^2]$

为了找到最小化误差的权重 $(w_1,w_2,...,w_n)$，我们可以对误差关于权重的偏导数等于零，求得最优的权重。这个问题可以转化为线性代数中的矩阵求解问题。具体来说，我们可以将误差关于权重的偏导数设置为零，并解出权重向量 $(w)$。这个过程等价于求解协方差矩阵的逆矩阵与单位向量的乘积。

示例：

# 先构造一个矩阵
df = np.array([lgb6812.prob, xgb6787.prob, cat6777.prob])
# 计算协方差矩阵
np.corrcoef(df)

# 给定协方差矩阵
cov_matrix = np.array([[1.        , 0.94866069, 0.9108549 ],
                       [0.94866069, 1.        , 0.9113983 ],
                       [0.9108549 , 0.9113983 , 1.        ]])

# 计算协方差矩阵的逆矩阵
inv_cov_matrix = np.linalg.inv(cov_matrix)

# 单位向量
unit_vector = np.ones((3, 1))

# 计算权重向量
weight_vector = np.dot(inv_cov_matrix, unit_vector)

# 归一化权重向量
normalized_weights = weight_vector / np.sum(weight_vector)

print("权重向量：", normalized_weights.flatten())

输出：

权重向量： [0.36567303 0.31048439 0.32384258]

随后可以根据序来决定每个模型的权重大小。