Stacking Learning在分类问题中的使用

建议先阅读以下文章

1. 知乎(必读)：Kaggle机器学习之模型融合（stacking）心得
2. Blog：Stacking Models for Improved Predictions
3. Blog：KAGGLE ENSEMBLING GUIDE(注脚)
4. Blog：如何在 Kaggle 首战中进入前 10%
5. Github：[ikki407](https://github.com/ikki407)/stacking
6. Paper：M. Paz Sesmero, Agapito I. Ledezma, Araceli Sanchis, “Generating ensembles of heterogeneous classifiers using Stacked Generalization,” WIREs Data Mining and Knowledge Discovery 5: 21-34 (2015) paper下载地址 密码: c7rf
7. 神作：Stacked Generalization (Stacking)

回归问题构建stacking模型

墙裂推荐阅读第一篇文章，读完之后还不懂，那就继续读，读懂为止，这是最入门的教程了，写的不错的，Titanic数据是回归的问题，最后的predict方法得到是幸存的概率，所以最后作者的代码可用

这里需要再次强调的是，对于回归问题的stacking learning的处理方案，是在一级模型进行out-of-fold预测产生的预测精度，这个当做第二级分类器的训练集。但是在分类问题时，就会产生问题，分类之后产生的类别的判断，所以代码最后进行取均值是不恰当的，难道会出现3.2这个类么？所以，这种方法是不适合用于分类的stacking

分类问题构建stacking模型

解决方案是，使用predict_proba方法，产出对各类别的判断概率，对于sklearn模型来说，实际上最后输出的判断类即如果使用predict方法，等效于numpy.argmax(predict_proba)，也就是说，在分类器内部，它取了把握最大的概率所在的类作为输出，打个比方，svm对iris数据的三个类进行判断时候，predict_proba输出的为1类概率0.5，2类概率0.3，三类概率0.2，而predict方法则直接输出上述中最大概率所在的类，即1类作为结果。ok，这样的话，现在新的特征大小被扩充成 : 数据集所含类别数 X一级分类器个数,比如iris数据做分类，设定有四个一级分类器，而需要做的数据是有3类，则新的特征维度 为 3*4 = 12，每个分类器都贡献了3个维度.

code

# -*- coding:utf-8 -*-
# Author:哈士奇说喵
# 二级stacking learning
from sklearn.model_selection import KFold
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_digits
import numpy as np
from sklearn.svm import SVC
from sklearn import metrics
from sklearn.ensemble import RandomForestClassifier
from sklearn import preprocessing
import pandas as pd


# 导入数据集切割训练与测试数据

data = load_digits()
data_D = preprocessing.StandardScaler().fit_transform(data.data)
data_L = data.target
data_train, data_test, label_train, label_test = train_test_split(data_D,data_L,random_state=1,test_size=0.7)

def SelectModel(modelname):

    if modelname == "SVM":
        from sklearn.svm import SVC
        model = SVC(kernel='rbf', C=16, gamma=0.125,probability=True)

    elif modelname == "GBDT":
        from sklearn.ensemble import GradientBoostingClassifier
        model = GradientBoostingClassifier()

    elif modelname == "RF":
        from sklearn.ensemble import RandomForestClassifier
        model = RandomForestClassifier()

    elif modelname == "XGBOOST":
        import xgboost as xgb
        model = xgb()

    elif modelname == "KNN":
        from sklearn.neighbors import KNeighborsClassifier as knn
        model = knn()
    else:
        pass
    return model

def get_oof(clf,n_folds,X_train,y_train,X_test):
    ntrain = X_train.shape[0]
    ntest =  X_test.shape[0]
    classnum = len(np.unique(y_train))
    kf = KFold(n_splits=n_folds,random_state=1)
    oof_train = np.zeros((ntrain,classnum))
    oof_test = np.zeros((ntest,classnum))


    for i,(train_index, test_index) in enumerate(kf.split(X_train)):
        kf_X_train = X_train[train_index] # 数据
        kf_y_train = y_train[train_index] # 标签

        kf_X_test = X_train[test_index]  # k-fold的验证集

        clf.fit(kf_X_train, kf_y_train)
        oof_train[test_index] = clf.predict_proba(kf_X_test)

        oof_test += clf.predict_proba(X_test)
    oof_test = oof_test/float(n_folds)
    return oof_train, oof_test

# 单纯使用一个分类器的时候
clf_second = RandomForestClassifier()
clf_second.fit(data_train, label_train)
pred = clf_second.predict(data_test)
accuracy = metrics.accuracy_score(label_test, pred)*100
print accuracy
# 91.0969793323

# 使用stacking方法的时候
# 第一级，重构特征当做第二级的训练集
modelist = ['SVM','GBDT','RF','KNN']
newfeature_list = []
newtestdata_list = []
for modelname in modelist:
    clf_first = SelectModel(modelname)
    oof_train_ ,oof_test_= get_oof(clf=clf_first,n_folds=10,X_train=data_train,y_train=label_train,X_test=data_test)
    newfeature_list.append(oof_train_)
    newtestdata_list.append(oof_test_)

# 特征组合
newfeature = reduce(lambda x,y:np.concatenate((x,y),axis=1),newfeature_list)    
newtestdata = reduce(lambda x,y:np.concatenate((x,y),axis=1),newtestdata_list)


# 第二级，使用上一级输出的当做训练集
clf_second1 = RandomForestClassifier()
clf_second1.fit(newfeature, label_train)
pred = clf_second1.predict(newtestdata)
accuracy = metrics.accuracy_score(label_test, pred)*100
print accuracy
# 96.4228934817

Pay Attention

1. 这里只是使用了两层的stacking，完成了一个基本的stacking操作，也可以同理构建三层，四层等等
2. 对于第二级的输入来说，特征进行了变化(有一级分类器构成的判决作为新特征)，所以相应的测试集也需要进行同样的转换，毕竟分类器学习的训练集已经不一样了，学习的内容肯定是无法适用于旧的测试集的，要清楚的是，当初我们是对整个Data集合随机分测试集和训练集的！
3. 适用k-fold的方法，实质上使用了cv的思想，所以数据并没有泄露(没有用到测试集，用的是训练集中的hold-set)，所以这个方法也叫做out-of-folds

Further

1. 可以将之前的原始特征和之后新的特征进行融合，相当于特征扩充，然后注意标准化和归一化进行处理，毕竟一级的特征量纲和产出的后验概率组成的特征量纲不一样，自己做测试吧~

致谢

• Self-Trained Stacking Model for Semi-Supervised Learning