一、算法原理
模型融合:Voting(投票法)、Blending(线性混合)、Stacking(堆叠)。
模型融合,不是说随意的融合能够达到好的效果。进行融合时,所需集成个体应该好而不同。好指的是个体学习器的性能要好,不同指的是个体模型的类别不同。
(1)Voting
这里举个西瓜书的例子,在介绍例子之前,首先提前介绍简单投票法,以分类问题为例,就是每个分类器对样例进行投票,哪个类别得到的票数最多的就是融合后模型的结果。
在上面的例子中,采用的就是简单的投票法。图b各个模型输出都一样,因此没有什么效果。图c每个分类器的精度只有33%,融合后反而更糟。也就是说,想要模型融合有效果,个体学习器要有一定的准确率,并且要有多样性,学习器之间具有差异,即好而不同。
(2)Stacking
(3)Blending
第一步:把trian先分成两部分,比如70%的数据作为newtrain,剩下30%的数据作为validation。
第二步:第一层,使用newtrain训练多个模型,然后去预测validation的label。
第三步:第二层,使用validation在第一层训模型上的预测结果做为新特征继续训练第二层的模型。
第四步:使用test,带入第一层模型训练预测得到预测值,把预测值当做新的特征带入第二层模型进行训练,得到最终结果。
二、算法案例
#导入库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")#忽略警告
%matplotlib inline
#每次运行代码时设置相同的seed
SEED = 222
np.random.seed(SEED)
df = pd.read_csv('input.csv')
df.head()
1.数据预处理
y = 1*(df.cand_pty_affiliation == 'REP')
X = df.drop(['cand_pty_affiliation'],axis = 1)
X = pd.get_dummies(X,sparse = True)
X.drop(X.columns[X.std() == 0],axis = 1,inplace = True)
#标签分布
df.cand_pty_affiliation.value_counts(normalize = True).plot(kind = 'bar',title = 'Share of No.donations')
plt.show()
2.构建模型
#数据集切分,test_size = 0.95为了加快模型速度
from sklearn.model_selection import train_test_split
xtrain,xtest,ytrain,ytest = train_test_split(X,y,test_size = 0.95,random_state = SEED)
(1)模型融合
#导入库
from sklearn.svm import SVC,LinearSVC
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier,GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.kernel_approximation import Nystroem
from sklearn.kernel_approximation import RBFSampler
from sklearn.pipeline import make_pipeline
from sklearn.metrics import roc_auc_score
#写好模型训练、预测、评分的函数
def get_models():
nb = GaussianNB()
svc = SVC(C = 100,probability = True)
knn = KNeighborsClassifier(n_neighbors = 3)
lr = LogisticRegression(C = 100,random_state = SEED)
nn = MLPClassifier((80,10),early_stopping = False