泰坦尼克号数据挖掘项目实战——Task7 模型融合

参考：

【1】https://blog.csdn.net/qq_39422642/article/details/78566763

【2】https://blog.csdn.net/u014356002/article/details/54376138

【3】https://blog.csdn.net/junxinwoxin/article/details/80407917

【4】https://blog.csdn.net/jiaoyangwm/article/details/81186509

【5】https://zhuanlan.zhihu.com/p/30538352

【6】https://blog.csdn.net/m0_37725003/article/details/81095555

      之前在task4 模型集成的时候简单介绍过模型融合，这次又查到了一点资料，所以再来补充一丢丢。

    模型融合：把独立的学习器组合起来的结果。如果独立的学习器为同质，称为基学习器（都为SVM或都为LR）；如果独立的学习器为异质，称为组合学习器（将SVM+LR组合）。

    为什么要进行模型融合：将几个独立学习器的结果求平均，在统计、计算效率、性能表现上都有较好的效果。

1. 统计上：假设空间中几个学习器的假设函数的平均更接近真实的假设f
2. 计算上：迭代求解可能落入局部最优解，但是多个局部最优解的平均更接近全局最优解，损失函数有可能不是光滑的，不同的初始点和学习率可能有不同的局部最小，将其平均能得到更好的。
3. 性能表现上：真实的假设函数f可能不在已知的假设空间H内，学习器的平均更可能接近H外的真实假设H，如果模型本身就不具备表达场景的能力，那么无论怎么搜索H都不会搜到。

1.Bagging

从特征，参数，样本的多样性差异性来做多模型融合，参考随机森林。

2.Stacking

将训练集划分为两个正交集D1（x，y）,D2（x’，y’），利用D1来学习三个模型，假设分别为LR，SVM，DT，
利用第二份数据D2的x分别作为第一层学到的三个模型的输入，得到预测值y1，y2，y3，将其组合可以得到预估的输出y^y^
已有真实输出的标签y’，可以学习到如何从预估的y^y^，来学习如何得到真实的y。
第一层的数据：为了训练得到三个模型第二层的数据：为了用三个模型来预测输出，得到的输入送入线性分类器得到最终的预估y^y^，再不断的训练模型使得模型的预估和真实的y′y′最接近，之所以将数据分成两组，是为了避免过拟合。
 也可以参见下图的例子：

stacking在第一层模型中通过交叉验证的方式生成预测的label，作为第二层线性模型的输入特征（第一层有几个模型第二层就有几个特征），一般模型差异越大融合效果越好。实际中也可以将预测的几个label特征加入到原始特征中，然后用复杂模型再次训练。 

blending和stacking的比较：

blending是将train划分为2份不相交的数据，一份用来训练生成新的特征，并将其加入到第二层继续训练，第二层只用到了部分数据；
stacking将train进行cv划分来训练。第二层用到了第一层的全部数据，并且需要训练大量的模型。

3.Adaboost

4、Gradient Boosting Tree

解决回归问题

通过不断的拟合预测和真实的残差来学习，也就是每次迭代尽量拟合损失函数在当前情况下的负梯度，构建的树是能使得损失函数降低最多的学习器，来解决回归问题，调整后也能解决分类问题。

   好啦，接下来是本次task的代码部分：

1. Bagging 方法，即投票法，使用sklearn.ensemble中的VotingClassifier。

  

   

    

     

    
    

     

      #### task7 模型融合
     
    
   

    

     

    
    

     

      # 1 Bagging法，使用sklearn.ensemble中的VotingClassifier
     
    
   

    

     

    
    

     

      from sklearn.ensemble import VotingClassifier
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      clf_vc = VotingClassifier(estimators=[('lr',LogisticRegression()),('DTree',DecisionTreeClassifier()),('RTree',RandomForestClassifier()),('svm',SVC()), ('xgb', XGBClassifier())])
     
    
   

    

     

    
    

     

      clf_vc.fit(train_X,target_Y)
     
    
   

    

     

    
    

     

      print(clf_vc.score(train_X, target_Y))
     
    
  
 

2. Stacking 方法，使用mlxtend.classifier中的StackingCVClassifier

ps:自己总是忘记SVC()内要赋值true。使用前要安装库 mlxtend。

svm=SVC(probability=True)；

  

   

    

     

    
    

     

      # 2 Stacking法
     
    
   

    

     

    
    

     

      from mlxtend.classifier import StackingCVClassifier
     
    
   

    

     

    
    

     

      sclf = StackingCVClassifier(classifiers=[lr,DTree,RTree,svm], meta_classifier= xgb, use_probas=True)
     
    
   

    

     

    
    

     

      sclf.fit(train_X.values,target_Y.values)
     
    
   

    

     

    
    

     

      print(sclf.score(train_X, target_Y))
     
    
  
 

同样的数据，投票法的结果更好些，可能是因为数据量小，所以Stacking并不占优势。

文章来源: dujiahei.blog.csdn.net，作者：dujiahei，版权归原作者所有，如需转载，请联系作者。

原文链接：dujiahei.blog.csdn.net/article/details/86410458