如何结合在不同数据集上训练的两个逻辑回归模型？

如何解决如何结合在不同数据集上训练的两个逻辑回归模型？

我的数据具有层次结构 - 这意味着有一个 N 级别的级别 1 和级别 M 的 M 级别。在使用不同的数据集分别训练两个模型后（都是 Logistic 回归，但可以更改），我想预测 N + M 个类。

目前，我正在解决它通过在训练之前收集所有数据并添加从第 2 级到第 1 级的示例导致 (N + 1) 个类（+ 1 表示来自第 2 级的所有示例）和如果级别 1 的模型预测“+1”类，则将查询发送到第二个模型。但是在训练前收集样本成本很高，而且收集后训练集是不平衡的。伪代码：

clf1 = LogisticRegression()
clf1.fit(X1 + X2,Y1 + ["ID of +1 class"] * len(Y2))
clf2 = LogisticRegression()
clf2.fit(X2,Y2)
if cl1.predict(X_test_example) == ["ID of +1 class"]:
    clf2.precict(X_test_example)

但我需要保留这种层次结构，因此无法直接合并两个模型。有没有办法组合分类模型的两个输出（以概率分布的形式）以获得有意义的输出，以避免模型过度自信的问题？伪代码：

clf1 = LogisticRegression()
clf1.fit(X1,Y1)
clf2 = LogisticRegression()
clf2.fit(X2,Y2)
combined_clf = clf1 + clf2