机器学习（下）-blending集成学习算法

一、导言

前面学习了关于强化回归和分类算法的集成学习方法–Bagging和Boosting。现继续讨论集成学习方法的最后一个成员–Stacking（“懒人”算法），无需花费过多时间调参就可以得到一个效果不错的算法，且易于理解。

Stacking严格来说并不是一种算法，而是对模型集成的一种策略。

Stacking集成算法可以理解为一个两层的集成：

第一层：含有多个基础分类器，把预测的结果(元特征)提供给第二层；

第二层：把一层分类器的结果当做特征做拟合输出预测结果（分类器通常是逻辑回归）。

在介绍Stacking之前，先对Blending（简化版的Stacking）进行讨论。

二、 Blending集成学习算法

Blending算法的集成方式有点类似于小时候的上课经历：上课被老师提问，但你因为开小差而无法立刻得知问题的答案，周围的同学会告诉了你他们脑中的正确答案，因此你对他们的答案加以总结和分析最终得出正确答案。如图：(图片来源：https://blog.csdn.net/maqunfi/article/details/82220115)

在这里插入图片描述

下面我们来详细讨论下这个Blending集成学习方式：

(1) 将数据划分为训练集和测试集(test_set)，其中训练集需要再次划分为训练集(train_set)和验证集(val_set)；
(2) 创建第一层的多个模型，这些模型可以使同质的也可以是异质的；
(3) 使用train_set训练步骤2中的多个模型，然后用训练好的模型预测val_set和test_set得到val_predict, test_predict1；
(4) 创建第二层的模型,使用val_predict作为训练集训练第二层的模型；
(5) 使用第二层训练好的模型对第二层测试集test_predict1进行预测，该结果为整个测试集的结果。

在这里插入图片描述

(图片来源：https://blog.csdn.net/sinat_35821976/article/details/83622594)

整个过程梳理：
在(1)步中，总的数据集被分成训练集和测试集，如80%训练集和20%测试集，然后在这80%的训练集中再拆分训练集70%和验证集30%，因此拆分后的数据集由三部分组成：训练集80%* 70%
、测试集20%、验证集80%* 30% 。训练集是为了训练模型，测试集是为了调整模型(调参)，测试集则是为了检验模型的优度。
在(2)-(3)步中，我们使用训练集创建了K个模型，如SVM、random forests、XGBoost等，这个是第一层的模型。训练好模型后将验证集输入模型进行预测，得到K组不同的输出，我们记作 $A_1,...,A_K$ ，然后将测试集输入K个模型也得到K组输出，我们记作 $B_1,...,B_K$ ，其中 $A_i$ 的样本数与验证集一致， $B_i$ 的样本数与测试集一致。如果总的样本数有10000个样本，那么使用5600个样本训练了K个模型，输入验证集2400个样本得到K组2400个样本的结果 $A_1,...,A_K$ ，输入测试集2000个得到K组2000个样本的结果 $B_1,...,B_K$ 。
在(4)步中，我们使用K组2400个样本的验证集结果 $A_1,...,A_K$ 作为第二层分类器的特征，验证集的2400个标签为因变量，训练第二层分类器，得到2400个样本的输出。
在(5)步中，将输入测试集2000个得到K组2000个样本的结果 $B_1,...,B_K$ 放入第二层分类器，得到2000个测试集的预测结果。

在这里插入图片描述

以上是Blending集成方式的过程，接下来我们来分析这个集成方式的优劣：
其中一个最重要的优点就是实现简单粗暴，没有太多的理论的分析。但是这个方法的缺点也是显然的：blending只使用了一部分数据集作为留出集进行验证，也就是只能用上数据中的一部分，实际上这对数据来说是很奢侈浪费的。
关于这个缺点，我们以后再做改进，我们先来用一些案例来使用这个集成方式。

# 加载相关工具包
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
plt.style.use("ggplot")
%matplotlib inline
import seaborn as sns

make_blobs函数聚类产生数据集，产生一个数据集和相应的标签

具体参数：https://scikit-learn.org/dev/modules/generated/sklearn.datasets.make_blobs.html

n_samples:表示数据样本点个数,默认值100
n_features:表示数据的维度，默认值是2
centers:产生数据的中心点，默认值3 ，也就是0、1、2，这是指y的取值范围
cluster_std：数据集的标准差，浮点数或者浮点数序列，默认值1.0
center_box：中心确定之后的数据边界，默认值(-10.0, 10.0)
shuffle ：洗乱，默认值是True
random_state:随机生成器的种子，相同的值具有可重现性，也就是所指定一个相同的，以便于下次重现

# 创建数据
from sklearn import datasets 
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
data, target = make_blobs(n_samples=10000, centers=2, random_state=1, cluster_std=1.0 )
## 创建训练集和测试集
X_train1,X_test,y_train1,y_test = train_test_split(data, target, test_size=0.2, random_state=1)
## 创建训练集和验证集
X_train,X_val,y_train,y_val = train_test_split(X_train1, y_train1, test_size=0.3, random_state=1)
print("The shape of training X:",X_train.shape)
print("The shape of training y:",y_train.shape)
print("The shape of test X:",X_test.shape)
print("The shape of test y:",y_test.shape)
print("The shape of validation X:",X_val.shape)
print("The shape of validation y:",y_val.shape)

The shape of training X: (5600, 2)
The shape of training y: (5600,)
The shape of test X: (2000, 2)
The shape of test y: (2000,)
The shape of validation X: (2400, 2)
The shape of validation y: (2400,)

#  设置第一层分类器
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier

clfs = [SVC(probability = True),RandomForestClassifier(n_estimators=5, n_jobs=-1, criterion='gini'),KNeighborsClassifier()]

# 设置第二层分类器
from sklearn.linear_model import LinearRegression
lr = LinearRegression()

# 输出第一层的验证集结果与测试集结果
val_features = np.zeros((X_val.shape[0],len(clfs)))  # 初始化验证集结果
test_features = np.zeros((X_test.shape[0],len(clfs)))  # 初始化测试集结果

for i,clf in enumerate(clfs):
    clf.fit(X_train,y_train)
    val_feature = clf.predict_proba(X_val)[:, 1]
    test_feature = clf.predict_proba(X_test)[:,1]
    val_features[:,i] = val_feature
    test_features[:,i] = test_feature

# 将第一层的验证集的结果输入第二层训练第二层分类器
lr.fit(val_features,y_val)
# 输出预测的结果
from sklearn.model_selection import cross_val_score
cross_val_score(lr,test_features,y_test,cv=5)