Stacking集成算法

• 1 Blending集成学习算法
• • 1.1 算法流程
  • 1.2 代码实例
• 2 Stacking集成算法
• • 2.1 算法流程
  • 2.2 代码实例

Stacking集成算法可以理解为一个两层的集成，第一层含有多个基础分类器，把预测的结果(元特征)提供给第二层， 而第二层的分类器通常是逻辑回归，他把一层分类器的结果当做特征做拟合输出预测结果。

1 Blending集成学习算法

Blending集成学习算法是一种简化版的Stacking集成算法。

1.1 算法流程

---

Blending集成学习的算法流程：

1. 将数据集划分为训练集和测试集 (test_set)，然后将训练集再次划分为训练集(train_set) 和验证集(valid_set)。例如有10000个样本的数据集，第一次划分80%训练，20%测试，那么test_set有2000个样本，训练数据有8000个样本，第二次对这8000个样本再次划分，70%作训练集，30%作测试集，那么train_set有5600个样本，2400个样本为valid_set。
2. 然后创建第一层的多模型，这些模型可以是同质的也可以是异质的。例如在这一层我们使用了k个SVM，或者使用了SVM、随机森林和XGBoost等。
3. 使用train_set训练第一层的多模型，得到 m o d e l A = { m o d e l 1 , m o d e l 2 , … , m o d e l k } modelA=\{model_1,model_2,\dots,model_k\} modelA={model1​,model2​,…,modelk​}，然后再用这k个模型预测valid_set和test_set，得到k组valid_predict和test_predict1 (每个模型预测出一组结果)。此时 v a l i d _ p r e d i c t = { v a l i d _ p r e d i c t 1 , v a l i d _ p r e d i c t 2 , … , v a l i d _ p r e d i c t k } t e s t _ p r e d i c t 1 = { t e s t _ p r e d i c t 1 ， t e s t _ p r e d i c t 2 , … , t e s t _ p r e d i c t k } valid\_predict=\{valid\_predict_1,valid\_predict_2,\dots,valid\_predict_k\}\\ test\_predict1=\{test\_predict_1，test\_predict_2,\dots,test\_predict_k\} valid_predict={valid_predict1​,valid_predict2​,…,valid_predictk​}test_predict1={test_predict1​，test_predict2​,…,test_predictk​}
4. 创建第二层的模型，用第一层预测得到的 v a l i d _ p r e d i c t = { v a l i d _ p r e d i c t 1 , v a l i d _ p r e d i c t 2 , … , v a l i d _ p r e d i c t k } valid\_predict=\{valid\_predict_1,valid\_predict_2,\dots,valid\_predict_k\} valid_predict={valid_predict1​,valid_predict2​,…,valid_predictk​}作为第二层模型的训练数据，训练得到第二层的模型modelB，然后预测第一层得到的 t e s t _ p r e d i c t 1 = { t e s t _ p r e d i c t 1 ， t e s t _ p r e d i c t 2 , … , t e s t _ p r e d i c t k } test\_predict1=\{test\_predict_1，test\_predict_2,\dots,test\_predict_k\} test_predict1={test_predict1​，test_predict2​,…,test_predictk​}，获得最终的预测结果test_predict。

---

• Blending算法的优点：
  实现简单粗暴，没有太多的理论分析。
• Blending算法的缺点：
  只使用了一部分数据作为留出集进行验证，也就是只能用到数据的一部分，这对于数据来说是奢侈的。

1.2 代码实例

# 加载相关工具包
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
plt.style.use("ggplot")
%matplotlib inline
import seaborn as sns

## 我们利用 sklearn 中自带的 iris 数据作为数据载入，并利用Pandas转化为DataFrame格式
from sklearn.datasets import load_iris
data = load_iris() 
iris_target = data.target #得到数据对应的标签
iris_features = pd.DataFrame(data=data.data, columns=data.feature_names) #利用Pandas转化为DataFrame格式

# 划分数据集
from sklearn.model_selection import train_test_split
## 选择其类别为0和1的样本 （不包括类别为2的样本）(前50个为0类，中间50为1类)
iris_features_part = iris_features.iloc[:100]
iris_target_part = iris_target[:100]
## 测试集大小为20%， 80%/20%分
x_train1, x_test, y_train1, y_test = train_test_split(iris_features_part, iris_target_part, test_size = 0.2, random_state = 2020)
## 然后再对训练集进行划分，得到训练集和验证集
x_train, x_val, y_train, y_val = train_test_split(x_train1, y_train1, test_size = 0.3, random_state = 2020)
# 查看各数据集大小
print("The shape of training X:",x_train.shape)
print("The shape of training y:",y_train.shape)
print("The shape of test X:",x_test.shape)
print("The shape of test y:",y_test.shape)
print("The shape of validation X:",x_val.shape)
print("The shape of validation y:",y_val.shape)

The shape of training X: (56, 4)
The shape of training y: (56,)
The shape of test X: (20, 4)
The shape of test y: (20,)
The shape of validation X: (24, 4)
The shape of validation y: (24,)

#  设置第一层分类器
from sklearn.svm import SVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier

clfs = [SVC(probability = True),RandomForestClassifier(n_estimators=5, n_jobs=-1, criterion='gini'),KNeighborsClassifier()]

# 输出第一层的验证集结果与测试集结果
val_features = np.zeros((x_val.shape[0],len(clfs)))  # 初始化验证集结果
test_features = np.zeros((x_test.shape[0],len(clfs)))  # 初始化测试集结果

for i,clf in enumerate(clfs):
    clf.fit(x_train,y_train)
    val_feature = clf.predict_proba(x_val)[:, 1]
    test_feature = clf.predict_proba(x_test)[:,1]
    val_features[:,i] = val_feature
    test_features[:,i] = test_feature

# 设置第二层分类器
from sklearn.linear_model import LinearRegression
lr = LinearRegression()

# 将第一层的验证集的结果输入第二层训练第二层分类器
lr.fit(val_features,y_val)

LinearRegression()

# 输出预测的结果
from sklearn.model_selection import cross_val_score
cross_val_score(lr,test_features,y_test,cv=5)

array([1., 1., 1., 1., 1.])

可以看到集成效果非常好。

2 Stacking集成算法

针对Blending算法的缺点，只使用了验证集的数据作为第二层的训练数据，也就是只用到了一部分数据，造成了数据浪费。究其原因是因为在划分验证集时我们使用分割法只划分了30%的数据。为了利用全部数据且对数据分割，我们想到了交叉验证，既分割数据又能利用全部数据。

2.1 算法流程

---

Blending集成学习的算法流程：

1. 将数据集划分为训练集和测试集 (test_set)，对于划分的训练集进行K折交叉验证。例如有10000个样本的数据集，第一次划分80%训练，20%测试，那么test_set有2000个样本，训练数据有8000个样本。第二次对这8000个样本再次划分，进行5折交叉验证，那么会有5组训练样本为6400验证样本为1600的train_set和valid_set。
2. 每次交叉验证相当于用蓝色的6400条数据训练出一个模型，使用模型对橙色的1600条数据进行验证，并对测试集进行预测，得到2000条预测结果。这样经过5次交叉检验，可以得到中间的橙色的5* 1600条验证集的结果(相当于每条数据的预测结果)，5* 2000条测试集的预测结果。
3. 接下来会将验证集的5* 1600条预测结果拼接成8000行长的矩阵，标记为

   标签：集成,val,Stacking,DataWhale,predict,shape,valid,test,import
   来源： https://blog.csdn.net/Kay_Xiaohe_He/article/details/116481379