通过之前的博客可以看出,随机森林的表现效果比较好。所以本次stacking融合的比较基准就是LR。至于融合,用的是随机森林和逻辑回归进行融合。
代码为:
##任务六:使用stacking进行模型融合
# 构建 Stacking 模型,用之前表现较好的LR和随机森林进行模型融合
s_clf = StackingClassifier(classifiers=[rfc, ltc], meta_classifier=ltc, use_probas=True, verbose=3)
s_clf.fit(X_train, y_train)
model_metrics(s_clf, X_train, X_test, y_train, y_test)
结果如下:
[LibLinear]准确性:
Train:0.9928
Test:0.7498
精确性:
Train:0.9903
Test: 0.9903
召回率:
Train:0.9808
Test:0.3760
f1_score:
Train:0.9855
Test:0.4306
roc_auc:
Train:0.9996
Test:0.7230
KS:
Train:0.9848
Test:0.3564
可以看到,和原来博客5的LR相比,模型融合后的效果比原来要更好。