一、学习概要
1、模型融合
2、stacking和blending
3、经验总结
二、学习内容
1、模型融合
有以下方法
- 平均:
- 简单平均法
- 加权平均法
- 投票:
- 简单投票法
- 加权投票法
- 综合:
- 排序融合
- log融合
2、stacking和blending
- stacking:
-
import warnings
warnings.filterwarnings('ignore')
import itertools
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from sklearn import datasets
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from mlxtend.classifier import StackingClassifier
from sklearn.model_selection import cross_val_score, train_test_split
from mlxtend.plotting import plot_learning_curves
from mlxtend.plotting import plot_decision_regions
# 以python自带的鸢尾花数据集为例
iris = datasets.load_iris()
X, y = iris.data[:, 1:3], iris.target
clf1 = KNeighborsClassifier(n_neighbors=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
lr = LogisticRegression()
sclf = StackingClassifier(classifiers=[clf1, clf2, clf3],
meta_classifier=lr)
label = ['KNN', 'Random Forest', 'Naive Bayes', 'Stacking Classifier']
clf_list = [clf1, clf2, clf3, sclf]
fig = plt.figure(figsize=(10,8))
gs = gridspec.GridSpec(2, 2)
grid = itertools.product([0,1],repeat=2)
clf_cv_mean = []
clf_cv_std = []
for clf, label, grd in zip(clf_list, label, grid):
scores = cross_val_score(clf, X, y, cv=5, scoring='accuracy')
print("Accuracy: %.2f (+/- %.2f) [%s]" %(scores.mean(), scores.std(), label))
clf_cv_mean.append(scores.mean())
clf_cv_std.append(scores.std())
clf.fit(X, y)
ax = plt.subplot(gs[grd[0], grd[1]])
fig = plot_decision_regions(X=X, y=y, clf=clf)
plt.title(label)
plt.show()- 构建多层模型,并利用预测结果再拟合预测。
- blending:
5.4.2 blending
1# 以python自带的鸢尾花数据集为例
2data_0 = iris.data
3data = data_0[:100,:]
4
5
6target_0 = iris.target
7target = target_0[:100]
8
9#模型融合中基学习器
10clfs = [LogisticRegression(),
11RandomForestClassifier(),
12 ExtraTreesClassifier(),
13 GradientBoostingClassifier()]
14
15#切分一部分数据作为测试集
16X, X_predict, y, y_predict = train_test_split(data, target, test_size=0.3, random_state=914)
17
18
19#切分训练数据集为d1,d2两部分
20X_d1, X_d2, y_d1, y_d2 = train_test_split(X, y, test_size=0.5, random_state=914)
21dataset_d1 = np.zeros((X_d2.shape[0], len(clfs)))
22dataset_d2 = np.zeros((X_predict.shape[0], len(clfs)))
23
24for j, clf in enumerate(clfs):
25 #依次训练各个单模型
26 clf.fit(X_d1, y_d1)
27 y_submission = clf.predict_proba(X_d2)[:, 1]
28 dataset_d1[:, j] = y_submission
29 #对于测试集,直接用这k个模型的预测值作为新的特征。
30 dataset_d2[:, j] = clf.predict_proba(X_predict)[:, 1]
31 print("val auc Score: %f" % roc_auc_score(y_predict, dataset_d2[:, j]))
32
33
34#融合使用的模型
35clf = GradientBoostingClassifier()
36clf.fit(dataset_d1, y_d2)
37y_submission = clf.predict_proba(dataset_d2)[:, 1]
38print("Val auc Score of Blending: %f" % (roc_auc_score(y_predict, y_submission)))
39选取部分数据预测训练得到预测结果作为新特征,带入剩下的数据中预测。
- boosting/bagging(在Task4中已经提及,就不再赘述)
- Blending与stacking的不同
stacking
stacking中由于两层使用的数据不同,所以可以避免信息泄露的问题。
在组队竞赛的过程中,不需要给队友分享自己的随机种子。
Blending
由于blending对将数据划分为两个部分,在最后预测时有部分数据信息将被忽略。
同时在使用第二层数据时可能会因为第二层数据较少产生过拟合现象。
教程中在VotingClassifier中加入了参数 voting='soft', weights=[2, 1, 1],weights用于调节基模型的权重
3 、教程经验总结
简单平均和加权平均是常用的两种比赛中模型融合的方式。其优点是快速、简单。
stacking在众多比赛中大杀四方,但是跑过代码的小伙伴想必能感受到速度之慢,同时stacking多层提升幅度并不能抵消其带来的时间和内存消耗,所以实际环境中应用还是有一定的难度,同时在有答辩环节的比赛中,主办方也会一定程度上考虑模型的复杂程度,所以说并不是模型融合的层数越多越好的。
当然在比赛中将加权平均、stacking、blending等混用也是一种策略,可能会收获意想不到的效果哦