İlk yığılmış ansamblınızı oluşturun

Python'da Ensemble Yöntemleri

Román de las Heras

Data Scientist, Appodeal

scikit-learn ile stacking modelleri

scikit-learn'deki stacking uygulamasının bazı özellikleri:

scikit-learn stacking kestiricileri sunar (sürüm 0.22'den beri)
Diğer scikit-learn kestiricileriyle uyumludur
Son kestirici çapraz doğrulama ile eğitilir

Genel adımlar

Yığın-Mimarisi-Adımları.png

Uygulama için genel adımlar:

Veri kümesini hazırlayın
İlk katman kestiricilerini kurun
Tahminleri veri kümesine ekleyin
İkinci katman meta kestiriciyi kurun
Tahmin için yığılmış ansamblı kullanın

Stacking sınıflandırıcı

from sklearn.ensemble import StackingClassifier

# 1. katman sınıflandırıcıları oluşturun
classifiers = [
    ('clf1', Classifier1(params1)),
    ('clf2', Classifier2(params2)),
    ...
    ('clfN', ClassifierN(paramsN))
]

# 2. katman sınıflandırıcıyı oluşturun
clf_meta = ClassifierMeta(paramsMeta)

# Stacking sınıflandırıcıyı kurun
clf_stack = StackingClassifier(
   estimators=classifiers,
   final_estimator=clf_meta,
   cv=5,
   stack_method='predict_proba',
   passthrough=False)

# fit ve predict yöntemlerini kullanın
clf_stack.fit(X_train, y_train)
pred = clf_stack.predict(X_test)

Stacking regresör

from sklearn.ensemble import StackingRegressor

# 1. katman regresörleri oluşturun
regressors = [
    ('reg1', Regressor1(params1)),
    ('reg2', Regressor2(params2)),
    ...
    ('regN', RegressorN(paramsN))    
]

# 2. katman regresörü oluşturun
reg_meta = RegressorMeta(paramsMeta)

# Stacking regresörü kurun
reg_stack = StackingRegressor(
   estimators=regressors,
   final_estimator=reg_meta,
   cv=5,
   passthrough=False)

# fit ve predict yöntemlerini kullanın
reg_stack.fit(X_train, y_train)
pred = reg_stack.predict(X_test)

Sıra sizde!

Python'da Ensemble Yöntemleri