金融贷款逾期的模型构建7——模型融合

最新推荐文章于 2024-08-09 22:02:24 发布

__盛夏光年__

最新推荐文章于 2024-08-09 22:02:24 发布

阅读量721

点赞数

分类专栏： python 机器学习文章标签：机器学习实践 stacking 集成算法

本文链接：https://blog.csdn.net/u012736685/article/details/86062182

版权

python 同时被 3 个专栏收录

45 篇文章 1 订阅

订阅专栏

机器学习实践

19 篇文章 1 订阅

订阅专栏

机器学习

11 篇文章 1 订阅

订阅专栏

文章目录

一、集成学习
三、实现
Reference

数据传送门（data.csv）： https://pan.baidu.com/s/1G1b2QJjYkkk7LDfGorbj5Q
目标：数据集是金融数据（非脱敏），要预测贷款用户是否会逾期。表格中 “status” 是结果标签：0表示未逾期，1表示逾期。

任务：用你目前评分最高的模型作为基准模型，和其他模型进行stacking融合，得到最终模型及评分果。

一、集成学习

集成学习是将几种机器学习算法组合成一个预测模型的算法，以达到减小方差（bagging）、偏差（boosting）或改进预测（stacking）的效果。

1、Bagging

基本思想：给定大小为 $n$ 的训练集 $D$ ，Bagging 从中均匀、有放回地选出 $m$ 个大小为 $n^{'}$ 的子集 $D_i$ ，作为新的训练集。在这么 $m$ 个训练集上使用分类、回归等算法，可以得到 $m$ 个模型，再通过平均值（常用于回归问题）、投票法（常用于分类问题）等方法综合产生预测结果，即可得到 Bagging 模型。
在这里插入图片描述

优点：高效、可并行实现、能不经修改的适用于多分类和回归任务、包外估计。

典型模型：随机森林（Random Forest）

2、Boosting

基本思想：个体学习器之间存在强依赖关系，必须串行序列化生成的集成学习方法。对训练样本分布调整，主要是通过增加误分类样本的权重，降低正确分类样本的权重。

工作机制如下：

先从初始训练集中学习一个基学习器；
根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本在后续收到更多关注；
基于调整后的样本分布来训练下一个基学习器；
如此反复，直到基学习器数目达到 T，最终将这 T 个基学习器进行加权结合。

典型模型：Adaboost

3、Stacking

概述：将个体机器学习器的结果结合在一起，即对学习器的结果再加上一层学习器。将训练集学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果。（也就是常说的两层）

术语：

弱学习器称为初级学习器，将用于结合的学习器称为次级学习器；
对于测试集，我们首先用初级学习器预测一次，得到次级学习器的输入样本，再用次级学习器预测一次，得到最终的预测结果。

（1）核心图解

在这里插入图片描述
对于每一轮的 5-fold，Model 1都要做满5次的训练和预测。

a、构建新的训练集

先将训练集 $D （ T r a i n i n g D a t a ）$ 拆成 $k$ 个大小相似但互不相交的子集 $D_1,D_2,…,D_k$ ；
令 $D_j'= D - D_j$ ，在 $D_j'$ 上训练一个弱学习器 $L_j$ 。将 $D_j$ 作为测试集，获得 $L_j$ 在 $D_j$ 上的输出 $D_j''$ ；
步骤2可以得到 $k$ 个弱学习器以及 $k$ 个相应的输出 $D_j''$ ，这个 $k$ 个输出加上原本的类标构成新的训练集 $D_n$ ；
在 $D_n$ 训练次学习器 $L$ ， $L$ 即为最后的学习器。

b、构建新的测试集

对于每个训练好的一个弱学习器 $L_j$ ，在测试集（Test Data，图中所示绿色部分，不要与上面的“测试集”混淆。注意：此处是测试集的全部）进行预测，将 $k$ 次的预测结果取平均作为新的预测集。

c、最终的训练与预测

训练集为构建新的训练集步骤得到的训练集，测试集为构建新的测试集得到的测试集
训练分类器并预测。

（2）示例

a、构建新的训练集

Train Data有890行。(请对应图中的上层部分）

每1次的fold，都会生成 713行小train， 178行小test。我们用Model 1来训练 713行的小train，然后预测 178行小test。预测的结果是长度为 178 的预测值。

这样的动作走5次！长度为178 的预测值 X 5 = 890 预测值，刚好和Train data长度吻合。这个890预测值是Model 1产生的，我们先存着，因为，一会让它将是第二层模型的训练来源。

重点：这一步产生的预测值我们可以转成 890 X 1 （890 行，1列），记作 P1 (大写P)

b、构建新的测试集

Test Data 有 418 行。(请对应图中的下层部分，对对对，绿绿的那些框框）

每1次的fold，713行小train训练出来的Model 1要去预测我们全部的Test Data（全部！因为Test Data没有加入5-fold，所以每次都是全部！）。此时，Model 1的预测结果是长度为418的预测值。

这样的动作走5次！我们可以得到一个 5 X 418 的预测值矩阵。然后我们根据行来就平均值，最后得到一个 1 X 418 的平均预测值。

重点：这一步产生的预测值我们可以转成 418 X 1 （418行，1列），记作 p1 (小写p)

c、多模型的处理

走到这里，你的第一层的Model 1完成了它的使命。

第一层还会有其他Model的，比如Model 2，同样的走一遍，我们有可以得到 890 X 1 (P2) 和 418 X 1 (p2) 列预测值。

这样吧，假设你第一层有3个模型，这样你就会得到：

来自5-fold的预测值矩阵 890 X 3，（P1，P2， P3）和来自Test Data预测值矩阵 418 X 3，（p1, p2, p3）。

d、最终的训练与预测

来自5-fold的预测值矩阵 890 X 3 作为你的Train Data，训练第二层的模型
来自Test Data预测值矩阵 418 X 3 就是你的Test Data，用训练好的模型来预测他们吧。

三、实现

目前单模型评分最高的模型是 XGBoost，其评分如下：

准确率:  	训练集:  0.8458 	测试集:  0.7898

1、手动实现

## 手动实现，stacking方法
def get_oof(clf, X_train, y_train, X_test):
    oof_train = np.zeros((ntrain,))     # 1 * 3327
    oof_test = np.zeros((ntest,))       # 1 * 1427
    oof_test_skf = np.empty((5, ntest)) # 5 * 1427

    # for clf in clfs:
    for i,(train_index, test_index) in enumerate(kf.split(X_train)): # X_train:3327*33
        print(train_index)
        kf_X_train = X_train.iloc[train_index]    # 2661*33
        kf_y_train = y_train.iloc[train_index]    # 2661*33
        kf_X_test = X_train.iloc[test_index]       # 666*7

        clf.fit(kf_X_train, kf_y_train)    # 学习分类器

        oof_train[test_index] = clf.predict(kf_X_test)  # 1*666
        oof_test_skf[i, :] = clf.predict(X_test)        # 测试集的预测作为测试数据

    oof_test[:] = oof_test_skf.mean(axis=0)   # 测试集的均值作为stcking的测试集
    return oof_train.reshape(-1, 1), oof_test.reshape(-1, 1)

## 使用多模型实现
rf_model = RandomForestClassifier()
xgbt_model = xgb.XGBClassifier()
gdbt_model = GradientBoostingClassifier()
dt_model = DecisionTreeClassifier()

train_sets = []
test_sets = []

for clf in [rf_model, xgbt_model, gdbt_model]:
    train_set, test_set = get_oof(clf, X_train, y_train, X_test)
    train_sets.append(train_set)
    test_sets.append(test_set)

meta_train = np.concatenate([result_set for result_set in train_sets], axis=1)
meta_test = np.concatenate([y_test_set for y_test_set in test_sets], axis=1)

# 使用决策树作为次级分类器
dt_model = DecisionTreeClassifier()
dt_model.fit(meta_train,y_train)
# df_predict = dt_model.predict(meta_test)

## 模型评估
model_metrics(dt_model, meta_train, meta_test, y_train, y_test)

==》

<准确率>:
训练集： 0.8031
测试集： 0.7884
<auc值>:
训练集： 0.6853
测试集： 0.6579

2、StackingClassifier类实现

## 使用多模型实现
from mlxtend.classifier import StackingClassifier

rf_model = RandomForestClassifier()
xgbt_model = xgb.XGBClassifier()
gdbt_model = GradientBoostingClassifier()
dt_model = DecisionTreeClassifier()

sclf = StackingClassifier(classifiers=[rf_model,xgbt_model,gdbt_model],meta_classifier=dt_model)
sclf.fit(X_train,y_train)

for clf,label in zip([rf_model,xgbt_model,gdbt_model,sclf],['随机森林','XGBoost','GBDT','StackingClassifier']):
    scores = cross_val_score(clf,X_train,y_train,cv = 5,scoring='accuracy')
    print("Accuracy: %0.2f (+/- %0.2f) [%s]"% (scores.mean(), scores.std(), label))

==》

Accuracy: 0.77 (+/- 0.01) [随机森林]
Accuracy: 0.80 (+/- 0.00) [XGBoost]
Accuracy: 0.79 (+/- 0.01) [GBDT]
Accuracy: 0.78 (+/- 0.01) [StackingClassifier]

小结

从结果来看，本文的Stacking结果和只是用XGBoost的结果基本持平（实际略低于XGBoost）。
- 换用一些弱分类器作为基本分类器效果会怎么样？

Reference

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