学员成果分享：有关机器学习算法两种后融合策略的总结

影像组学路径图

影像组学工作站：实验结果验证服务

​

感谢《poppelmann》同学分享的机器学习算法两种后融合策略

采用案例

乳腺癌自动诊断及数据分析

​

一、首先是staking策略，其基本思想就是将不同模型得到的结果拼接在一起，拼接完成后再放到下一个模型里进行预测。相当于给原始数据增加不同维度的解读，由此提高模型的精度。主要步骤如下：（在这里以XGB融合SVM dt KNN rf et LGB为例）

1.得到拼接后的训练集和测试集。为此，首先需要得到每个模型结果所对应的id,用X_train_id进行保存，同样的测试集用X_test_id 保存。

from sklearn.model_selection import train_test_split
X_train_colums = ['id',  'radius_mean', 'texture_mean', 'perimeter_mean',
       'area_mean', 'smoothness_mean', 'compactness_mean', 'concavity_mean',
       'concave points_mean', 'symmetry_mean', 'fractal_dimension_mean',
       'radius_se', 'texture_se', 'perimeter_se', 'area_se', 'smoothness_se',
       'compactness_se', 'concavity_se', 'concave points_se', 'symmetry_se',
       'fractal_dimension_se', 'radius_worst', 'texture_worst',
       'perimeter_worst', 'area_worst', 'smoothness_worst',
       'compactness_worst', 'concavity_worst', 'concave_points_worst',
       'symmetry_worst', 'fractal_dimension_worst']

X_data = bc_data[X_train_colums]

n_classes = 2

y_data = np.ravel(bc_data[['diagnosis']].applymap(lambda x: 0 if x=='M' else 1))

X_train_all, X_test_all, y_