本次 DataWhale 第二十三期组队学习,其开源内容的链接为:https://github.com/datawhalechina/team-learning-data-mining/tree/master/EnsembleLearning
在上一期的学习过程中,安排了部分基础模型的学习,为提升预测精度,可以进行模型集成,常见的思想有bagging、boosting和stacking。这一次任务先学习结合策略中的投票法。
投票法是一种遵循少数服从多数原则的集成学习模型,通过多个模型的集成降低方差,从而提高模型的鲁棒性。在理想情况下,投票法的预测效果应当优于任何一个基模型的预测效果。一般来说,对于回归问题采用均值,分类问题是少数服从多数。
投票法有软投票和硬投票之分,小例子可以参考教程。相对于硬投票,软投票法考虑到了预测概率这一额外的信息,因此可以得出比硬投票法更加准确的预测结果。下面是投票法的案例分析。
# 创建100个样本,20个特征的数据集
from sklearn.datasets import make_classification
# 定义数据集
X, y = make_classification(n_samples = 1000, n_features = 20, n_informative = 15, n_redundant = 5, random_state = 2)
X.shape, y.shape
((1000, 20), (1000,))
from sklearn.neighbors import KNeighborsClassifier
from sklearn.ensemble import VotingClassifier
# 创建一个投票集成模型
def get_voting():
# 定义基模型
models = list()
models.append(('knn1', KNeighborsClassifier(n_neighbors=1)))
models.append(('knn3', KNeighborsClassifier(n_neighbors=3)))
models.append(('knn5', KNeighborsClassifier(n_neighbors=5)))
models.append(('knn7', KNeighborsClassifier(n_neighbors=7)))
models.append(('knn9', KNeighborsClassifier(n_neighbors=9)))
ensemble = VotingClassifier(estimators=models, voting='hard')
return ensemble
# 创建一个模型列表来评估投票带来的提升,包含有每个独立版本和硬投票模型。
def get_models():
models = dict()
models['knn1'] = KNeighborsClassifier(n_neighbors=1)
models['knn3'] = KNeighborsClassifier(n_neighbors=3)
models['knn5'] = KNeighborsClassifier(n_neighbors=5)
models['knn7'] = KNeighborsClassifier(n_neighbors=7)
models['knn9'] = KNeighborsClassifier(n_neighbors=9)
models['hard_voting'] = get_voting()
return models
from sklearn.model_selection import RepeatedStratifiedKFold, cross_val_score
# 10层交叉,三次重复的模型实例
def evaluate_model(model, X, y):
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1, error_score='raise')
return scores
import numpy as np
# 获得估计模型
models = get_models()
results, names = list(), list()
for name, model, in models.items():
scores = evaluate_model(model, X, y)
results.append(scores)
names.append(name)
print('>%s %.3f (%.3f)' % (name, np.mean(scores), np.std(scores)))
>knn1 0.873 (0.030)
>knn3 0.889 (0.038)
>knn5 0.895 (0.031)
>knn7 0.899 (0.035)
>knn9 0.900 (0.033)
>hard_voting 0.902 (0.034)
从结果可以看出,硬投票的模型拥有更稳定的准确性。