【stacking】超详细模型融合方法（附图附代码）

1.常用的模型融合方法

1.1投票法

1.2平均法

1.3权重法

1.4stacking模型融合

1.4.1图解stacking

1.4.2代码展示

---

看到kaggle上的大佬经常用到模型融合策略来提分，所以今天就来一探究竟。

1.常用的模型融合方法

常用的模型融合方法如下：

• 投票法
• 平均法
• 权重法
• stacking法

  ---

1.1投票法

投票法常常被用于分类网络，通过对多个模型的预测结果进行vote操作，来得到最终的预测结果，此处就不详细讲了。

1.2平均法

顾名思义，就是对多个模型的预测结果进行平均，得到最终的预测结果，常用于分割等回归问题，实现也较简单，不赘述。

pred = （pred1+pred2+...+predn）/n

1.3权重法

权重法是平均法的改进，即对每个模型的预测结果不是直接进行相加求均值，二者计算每个模型的预测结果占所有模型预测结果的占比，这个占比就是该模型的预测结果权重。

w1 = pred1 / (pred1+pred2+...+predn)

w2 = pred2 / (pred1+pred2+...+predn)

......

pred = (w1*pred1 + w2*pred2 + ... wn*predn) / (pred1+pred2+...+predn)

1.4stacking模型融合

1.4.1图解stacking

根据上图分析一下stacking具体步骤：

　　1）TrainingData进行5-fold分割，正好生成5个model，每个model预测训练数据的1/5部分，最后合起来正好是一个完整的训练集Predictions（橙色部分），行数与TrainingData一致。

　　2）TestData数据，model1-model5每次都对TestData进行预测，形成5份完整的Predict（绿色部分），最后对这个5个Predict取平均值，得到测试集Predictions，行数与TestData一致。。

　　3）上面的1）与2）步骤只是一个模型的过程，因为我们需要集成很多个模型，那么重复n个模型，做法和上面是一样的，那么我们stacking第一层出来，在验证集上得到的结果特征维度，就是(train_set_number，n），同理，在测试集上的预测结果也就是（test_set_number，n）。

　　4）stacking第一层出来的(train_set_number，n）维度和training_data的真实label（维度为（train_set_number，1））合起来，就形成了新的训练样本数据，也就是第二层的训练数据；（test_set_number，n）维度的测试集就是第二层的测试数据。（ps：(train_set_number，n）维度的数据作为第二层的输入img，training_data的真实label(维度为（train_set_number，1）)为第二层的输入label，进行模型训练。

　　5）利用meta model（可以是任意一个模型），其实就是再找一种算法对上述第二层训练数据进行建模预测，预测出来的数据就是最终预测结果。

1.4.2代码展示

stack_model = [model1,model2,model3,model4,model5]  #此处的model1~model5为自己定义的模型
ntrain = train_data.shape[0]#训练集样本数量
ntest = test_data.shape[0]#测试集样本数量
train_stack = np.zeros(ntrain,5)#5表示5个模型
test_stack = np.zeros(ntest,5)
kf = Kfold.split(train_data,train_label)#k折交叉验证
#第一层stacking
for i ,model in emumerate(stack_model):
    for j ,(train_fold,val_fold) in emumerate(kf):
        X_train,X_val,label_train,label_val = train_data[train_fold,:],train_data[val_fold,:],train_label[train_fold,:],train_label[val_fold,:]
        model.fit(X_train, label_train)
        train_stack[val_fold, i] = model.predict(X_val)
        test_stack[:,i] = model.predict(test_data)

#第二层stacking
final_model = model6()
final_model.fit(train_stack,train_label)
final_pred = final_model.predict(test_stack)
#final_pred就是最终的输出

整理不易，欢迎一键三连！！！