集成学习 | 集成学习思想：Stacking思想

一. Stacking 思想

Stacking(或stacked generalization)，是指训练一个模型用于组合(combine)其他各个模型

	Stacking有两层
		第一层是不同的基学习器（classifiers/regressors）
		第二层是用于组合基学习器的元学习（meta_classifier/meta_regressor）

Stacking训练：
首先训练多个不同的模型，随后再以之前训练的各个模型的输出为输入来训练一个新模型，以得到一个最终的输出

	理论上，Stacking可以表示前面提到的各种Ensemble方法
	实际中，我们通常使用单层logistic回归(分类问题)或者 Ridge(回归问题)作为第二层模型

图片解释：
对数据集进行k折训练，其预测值为用来获取第二层模型的训练集

当第一层训练数据为1w条时，每个基学习器相应得到1w条预测值
 
当基学习器有N个时，第二层样本的训练集shape为 (1w*N)

---

感谢阅读🌼
如果喜欢这篇文章，记得点赞👍和转发🔄哦！
有任何想法或问题，欢迎留言交流💬，我们下次见！
本文相关代码存放位置
    【Stacking思想】

祝愉快🌟！

---