模型融合

基本内容

模型融合是建模后期一个重要的环节，大体来说有如下的类型方式。
1. 简单加权融合:

• 回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；
• 分类：投票（Voting)
• 综合：排序融合(Rank averaging)，log融合

2. stacking/blending:

• 构建多层模型，并利用预测结果再拟合预测。

4. boosting/bagging（在xgboost，Adaboost,GBDT中已经用到）:

• 多树的提升方法

总结

模型融合这个问题，其实涉及多个层面，也是提升模型鲁棒性的一种重要方法：
1）结果层面的融合，这种是最常见的融合方法，其可行的融合方法也有很多，比如根据结果的得分进行加
权融合，还可以做Log，exp处理等。在做结果融合的时候，有一个很重要的条件是模型结果的得分要比较近
似，然后结果的差异要比较大，这样的结果融合往往有比较好的效果提升。
2）特征层面的融合，这个层面其实感觉不叫融合，准确说可以叫分割，很多时候如果我们用同种模型训
练，可以把特征进行切分给不同的模型，然后在后面进行模型或者结果融合有时也能产生比较好的效果。
3）模型层面的融合，模型层面的融合可能就涉及模型的堆叠和设计，比如加Staking层，部分模型的结果作
为特征输入等，这些就需要多实验和思考了，基于模型层面的融合最好不同模型类型要有一定的差异，用同
种模型不同的参数的收益一般是比较小的。