Stacking 在机器学习中的应用，以kaggle titanic为例

之前自己玩了一下kaggle上的入门级别的比赛，泰坦尼克号生存预测。随便进行了简单的特征选择，直接用sklearn中的模型，直接跑结果，大概能跑到0.77左右。三千多名。

近段时间稍微闲下来了，开始着手做一些机器学习相关的比赛。然后想着提升上次的模型，或者在社区看看别人用的是什么模型。

然后看到一篇高票的文章。

Introduction to Ensembling or Stacking in Python

介绍集成学习和模型融合在泰坦尼克号上的应用。

之前只知道什么是集成，对于Stacking这个词还是比较陌生的，没有听过。

然后就查了一些资料，以下附上一些入门级的资料。

https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python

https://zhuanlan.zhihu.com/p/26890738

知乎 https://zhuanlan.zhihu.com/p/25836678贝尔塔

http://blog.csdn.net/MrLevo520/article/details/78161590?locationNum=4&fps=1#分类问题构建stacking模型

然后就是按照 Introduction to Ensembling or Stacking in Python里面的python notebook 的代码，自己敲了一遍，感觉学到了很多，特征提取方面，而且也复习了pandas的一些重要的函数。

这是我敲的notebook https://github.com/ZDstandup/titanic_notebook ，有一些简单的注释。

下面先给出学到的相关pandas的函数。用到的总结以下。

1.读取csv文件，这个csv文件里面的数据要有属性名称才行

train=pd.read_csv('train.csv')#读取数据

test=pd.read_csv('test.csv')#读取数据

2.查看dataframe数据的部分

train.head(3)    #查看前三行数据

3.添加新的属性

直接创建新的属性即可

#1，顾客name的长度

#直接增加一个属性列；直接对整个属性列进行操作；apply(function)中的函数对整体操作

train['Name_length'] =train['Name'].apply(len)

4.对整个属性列进行函数操作

apply(function)

#1，顾客name的长度

#直接增加一个属性列；直接对整个属性列进行操作；apply(function)中的函数对整体操作

train['Name_length']=train['Name'].apply(len)

    

5.apply()里面自建函数操作

#2，是否有客舱号码Cabin也是一个特征，有就为1，没有就为0

train['Has_Cabin']=train['Cabin'].apply( lambda x: 0 if type(x)==float else 1 )

test['Has_Cabin']=test['Cabin'].apply(lambda x : 0 if type(x)==float else 1)

6.相同数据格式的属性列，可以相加

dataset['FamilySize']=dataset['SibSp']+dataset['Parch']+1

7.提取具备某种条件的属性列  pd.loc()函数

#就相当于数据库sql语句的条件查询一样

dataset.loc[dataset['FamilySize']==1,'IsAlone']=1

#提取的是‘IsAlone’这一列中 dataset['FamilySize']==1的值

dataset.loc[ dataset['Fare'] <= 7.91, 'Fare']                                 = 0

    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1

    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2

    dataset.loc[ dataset['Fare'] > 31, 'Fare']                                     = 3

8.缺失值的填充fillna()

for dataset in full_data:

    dataset['Embarked']=dataset['Embarked'].fillna('S')

#用‘S’填充‘Embarked’的缺失值

#把数据集的Fare票价这一列中为0 的填充为该列的median()中位数

for dataset in full_data:

    dataset['Fare']=dataset['Fare'].fillna(dataset['Fare'].median())

9.查看某个属性列的数据情况

train['Fare'].head(10)

10.获取中位数median()

train['Fare'].median()

常用的统计的函数：

########################	******************************************
count	非 NA 值的数量
describe	针对 Series 或 DF 的列计算汇总统计
min , max	最小值和最大值
argmin , argmax	最小值和最大值的索引位置（整数）
idxmin , idxmax	最小值和最大值的索引值
quantile	样本分位数（0 到 1）
sum	求和
mean	均值
median	中位数
mad	根据均值计算平均绝对离差
var	方差
std	标准差
skew	样本值的偏度（三阶矩）
kurt	样本值的峰度（四阶矩）
cumsum	样本值的累计和
cummin , cummax	样本值的累计最大值和累计最小值
cumprod	样本值的累计积
diff	计算一阶差分（对时间序列很有用）
pct_change	计算百分数变化

11.统计属性列为空的样本个数

isnull()

train["Age"].isnull().sum()

12.转换属性列的数值类型

dataset['Age']=dataset['Age'].astype(int)#转换类型

13.取出为空的，并赋值新的值

dataset['Age'][np.isnan(dataset['Age'])]=age_null_random_list#把为空的取出来，再把随机的列表与之对应

#先得到bool型，在提取为True的，在进行赋值一个列表

14.把属性列的数据分成几个等份

train['CategoricalAge']=pd.qcut(train['Age'],5)

#分成5个区间，每个区间的样本数量相等

15.替换属性列里面的元素

# Group all non-common titles into one single grouping "Rare"

for dataset in full_data:

    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col','Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')

    dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss')

    dataset['Title'] = dataset['Title'].replace('Ms', 'Miss')

    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')

16.对于一些属性值是离散值的，可以使用mapping操作

dataset['Sex'] = dataset['Sex'].map( {'female': 0, 'male': 1} ).astype(int)

17.删除一些属性列drop()

#现在需要的特征基本完了，现在需要把一些无用的特征属性给去掉，删除掉

drop_elements=['PassengerId', 'Name', 'Ticket', 'Cabin', 'SibSp']

train=train.drop(drop_elements,axis=1)#去掉列表中的属性列

train=train.drop(['CategoricalAge', 'CategoricalFare'], axis = 1)#只删除train中这两个列，因为test没有添加，

                                                                 #这两个列其实只是为了划分一个区间出来，便于mapping到整数上去

test=test.drop(drop_elements,axis=1)

再给出自己敲的notebook，里面也有自己易懂的注释。

这里给出一个在stacking中的一个重要的部分。

#这个函数是用于交叉实验的

#clf是选择的分类模型，x_train是所有训练集，y_train是所有训练集样本的类别标签，x_test是给定的所有测试集

def get_oof(clf, x_train, y_train, x_test):

    oof_train = np.zeros((ntrain,))#长度为891的全0array

    oof_test = np.zeros((ntest,))#长度为418的全0array

    oof_test_skf = np.empty((NFOLDS, ntest))#一个用随机值填充的5*418的矩阵，用来存放5次交叉后的预测结果

    for i, (train_index, test_index) in enumerate(kf):

        #5次交叉，5次循环

        #kf实际上是一个迭代器，是从891个样本中分成了5组训练集和测试集的索引号

        x_tr = x_train[train_index]#当前循环，当前实验的训练数据

        y_tr = y_train[train_index]#当前循环的训练数据标签

        x_te = x_train[test_index]#d当前循环的测试数据

        clf.train(x_tr, y_tr)#用模型去拟合数据，也就是训练预测模型

        oof_train[test_index] = clf.predict(x_te)#把测试数据的预测标签按照对应索引，放到oof_train对应索引处

        oof_test_skf[i, :] = clf.predict(x_test)#用当前的模型，预测所有测试数据的标签，并放到oof_test_skf的一行中

        

    #5次实验做完，把5次得到的结果求平均

    oof_test[:] = oof_test_skf.mean(axis=0)

    return oof_train.reshape(-1, 1), oof_test.reshape(-1, 1)

不过按照作者的代码敲下来，感觉结果也并不是很好，大概3000多名，0.79左右。不知道那些高于0.9几得分的是怎么搞的。

不过作为一个入门的练习，了解了整个流程，以及作比赛的常用方法与套路，就可以，这个小比赛没必要做的非常好。

有时间做一个比较大的比赛。好好的研究研究。

感想：感觉看一些英文资料，挺好的。有些知识的中文资料确实比较少。还有就是逛kaggle的 kernels真的很爽。