一、有哪些模型融合方法
1. Voting/Averaging
sklearn.ensemble.VotingClassifier
sklearn.ensemble.VotingRegressor
在不改变模型的情况下,直接对各个不同的模型预测结果,进行投票或平均
这种融合的前提条件是模型之间相互独立,结果之间没有相关性。越相近的模型进行融合,融合效果也会越差。
可见模型之间差异越大,融合所得的结果将会更好。这种特性不会受融合方式的影响。
注意:这里所指模型之间的差异,并不是指正确率的差异,而是指模型之间相关性的差异。
对于回归问题,对各种模型的预测结果进行平均,所得到的结果能够减少过拟合,并使得边界更加平滑,单个模型的边界可能很粗糙。
在上述融合方法的基础上,一个进行改良的方式是对各个投票者分配不同的权重,以改变其对最终结果影响的大小。对于正确率低的模型给予更低的权重,而正确率高的模型给予更高的权重。