Ensemble Learning-模型融合-Python实现

文章目录

  • 1 Ensemble Learning-模型融合
    • 1.1 Voting
    • 1.2 Averaging
    • 1.3 Ranking
    • 1.4 Binning
    • 1.5 Bagging
    • 1.6 Boosting
    • 1.7 Stacking
    • 1.8 Blending
  • 2 融合的条件
  • 3 Python实现
    • 3.1 Stacking
    • 3.2 Blending
  • Reference

Wisdom of the crowds == ensemble machine learning

1 Ensemble Learning-模型融合

通过对多个单模型融合以提升整体性能。

1.1 Voting

投票制即为,投票多者为最终的结果。例如一个分类问题,多个模型投票(当然可以设置权重)。最终投票数最多的类为最终被预测的类。

1.2 Averaging

Averaging即所有预测器的结果平均。

  • 回归问题,直接取平均值作为最终的预测值。(也可以使用加权平均)
  • 分类问题,直接将模型的预测概率做平均。(or 加权)

加权平均,其公式如下:

∑ i = 1 n W e i g h t i ∗ P i \sum\limits_{i=1}^{n} {Weight_i}*{P_i} i=1nWeightiPi

其中 n n n表示模型的个数, W e i g h t i Weight_i Weighti表示该模型权重, P i P_i Pi表示模型i的预测概率值。

例如两个分类器,XGBoost(权重0.4)和LightGBM(权重0.6),其预测概率分别为:0.75、0.5,那么最终的预测概率,(0.4 * 0.75+0.6 * 0.5)/(0.4+0.6)=0.6

模型权重也可以通过机器学习模型学习得到

1.3 Ranking

Rank的思想其实和Averaging一致,但Rank是把排名做平均,对于AUC指标比较有效。

个人认为其实就是Learning to rank的思想,可以来优化搜索排名。具体公式如下:

∑ i = 1 n W e i g h t i R a n k i \sum\limits_{i=1}^{n}\frac{Weight_i}{Rank_i} i=1nRankiWeighti

其中 n n n表示模型的个数, W e i g h t i Weight_i Weighti表示该模型权重,所有权重相同表示平均融合。 R a n k i Rank_i Ranki表示样本在第i个模型中的升序排名。它可以较快的利用排名融合多个模型之间的差异,而不需要加权融合概率。

1.4 Binning

将单个模型的输出放到一个桶中。参考pdf paper , Guocong Song ,

1.5 Bagging

使用训练数据的不同随机子集来训练每个 Base Model,最后每个 Base Model 权重相同,分类问题进行投票,回归问题平均。

随机森林就用到了Bagging,并且具有天然的并行性。

1.6 Boosting

Boosting是一种迭代的方法,每一次训练会更关心上一次被分错的样本,比如改变被错分的样本的权重的Adaboost方法。还有许多都是基于这种思想,比如Gradient Boosting等。

经典问题:随机森林、Adaboost、GBDT、XGBoost的区别是什么?(面试常常被问)

1.7 Stacking

Ensemble Learning-模型融合-Python实现_第1张图片

图片来自Wille的博客。

从上图可以看出,类似交叉验证。

  1. 将数据集分为K个部分,共有n个模型。

  2. for i in xrange(n):

    ​ for i in xrange(k):

    ​ 用第i个部分作为预测,剩余的部分来训练模型,获得其预测的输出作为第i部分的新特征。

    ​ 对于测试集,直接用这k个模型的预测值均值作为新的特征。

  3. 这样k次下来,整个数据集都获得了这个模型构建的New Feature。n个模型训练下来,这个模型就有n个New Features。

  4. 把New Features和label作为新的分类器的输入进行训练。然后输入测试集的New Features输入模型获得最终的预测结果。

1.8 Blending

Blending直接用不相交的数据集用于不同层的训练。

以两层的Blending为例,训练集划分为两部分(d1,d2),测试集为test。

  1. 第一层:用d1训练多个模型,讲其对d2和test的预测结果作为第二层的New Features。
  2. 第二层:用d2的New Features和标签训练新的分类器,然后把test的New Features输入作为最终的预测值。

2 融合的条件

  • **Base Model 之间的相关性要尽可能的小。**这就是为什么非 Tree-based Model 往往表现不是最好但还是要将它们包括在 Ensemble 里面的原因。Ensemble 的 Diversity 越大,最终 Model 的 Bias 就越低。
  • **Base Model 之间的性能表现不能差距太大。**这其实是一个 Trade-off,在实际中很有可能表现相近的 Model 只有寥寥几个而且它们之间相关性还不低。但是实践告诉我们即使在这种情况下 Ensemble 还是能大幅提高成绩。

3 Python实现

下面只实现了一些常用的融合方法,其他的类推。

3.1 Stacking

'''5折stacking'''
n_folds = 5
skf = list(StratifiedKFold(y, n_folds))
for j, clf in enumerate(clfs):
    '''依次训练各个单模型'''
    dataset_blend_test_j = np.zeros((X_predict.shape[0], len(skf)))
    for i, (train, test) in enumerate(skf):
        '''使用第i个部分作为预测,剩余的部分来训练模型,获得其预测的输出作为第i部分的新特征。'''
        X_train, y_train, X_test, y_test = X[train], y[train], X[test], y[test]
        clf.fit(X_train, y_train)
        y_submission = clf.predict_proba(X_test)[:, 1]
        dataset_blend_train[test, j] = y_submission
        dataset_blend_test_j[:, i] = clf.predict_proba(X_predict)[:, 1]
    '''对于测试集,直接用这k个模型的预测值均值作为新的特征。'''
    dataset_blend_test[:, j] = dataset_blend_test_j.mean(1)

'''融合使用的模型'''
clf = GradientBoostingClassifier(learning_rate=0.02, subsample=0.5, max_depth=6, n_estimators=30)
clf.fit(dataset_blend_train, y)
y_submission = clf.predict_proba(dataset_blend_test)[:, 1]

完整代码见:GitHub_ensemble_stacking

3.2 Blending

下面是一个两层的Blending的实现

'''切分训练数据集为d1,d2两部分'''
X_d1, X_d2, y_d1, y_d2 = train_test_split(X, y, test_size=0.5, random_state=2017)
dataset_blend_train = np.zeros((X_d2.shape[0], len(clfs)))
dataset_blend_test = np.zeros((X_predict.shape[0], len(clfs)))

for j, clf in enumerate(clfs):
    '''依次训练各个单模型'''
    # print(j, clf)
    '''使用第1个部分作为预测,第2部分来训练模型,获得其预测的输出作为第2部分的新特征。'''
    # X_train, y_train, X_test, y_test = X[train], y[train], X[test], y[test]
    clf.fit(X_train, y_train)
    y_submission = clf.predict_proba(X_test)[:, 1]
    dataset_blend_train[:, j] = y_submission
    '''对于测试集,直接用这k个模型的预测值作为新的特征。'''
    dataset_blend_test[:, j] = clf.predict_proba(X_predict)[:, 1]
    print("val auc Score: %f" % roc_auc_score(y_predict, dataset_blend_test[:, j]))

'''融合使用的模型'''
# clf = LogisticRegression()
clf = GradientBoostingClassifier(learning_rate=0.02, subsample=0.5, max_depth=6, n_estimators=30)
clf.fit(dataset_blend_train, y_test)
y_submission = clf.predict_proba(dataset_blend_test)[:, 1]

完整代码见:GitHub_ensemble_blending

Reference

  1. HUMAN ENSEMBLE LEARNING
  2. https://mlwave.com/kaggle-ensembling-guide/
  3. https://dnc1994.com/2016/04/rank-10-percent-in-first-kaggle-competition/
  4. https://zhuanlan.zhihu.com/p/25836678

你可能感兴趣的:(机器学习,数据挖掘竞赛,机器学习,模型融合)