Hadi mlxtend kullanalım!

Python'da Ensemble Yöntemleri

Román de las Heras

Data Scientist, Appodeal

Mlxtend

Machine Learning Extensions
Veri Bilimi görevleri için araçlar:
- Özellik seçimi
- Ansambl yöntemleri
- Görselleştirme
- Model değerlendirme
Sezgisel ve kullanıcı dostu API
scikit-learn tahminleyicileriyle uyumlu

¹ Raschka, Sebastian (2018) MLxtend: Providing machine learning and data science utilities and extensions to Python's scientific computing stack: https://rasbt.github.io/mlxtend/

mlxtend ile stacking uygulaması

Özellikler:

Bireysel tahminleyiciler tüm özelliklerle eğitilir
Meta-tahminleyici, yalnızca tahminleri meta-özellik olarak kullanarak eğitilir
Meta-tahminleyici, hedef olarak etiketler veya olasılıklarla eğitilebilir

mlxtend ile StackingClassifier

from mlxtend.classifier 
    import StackingClassifier

# 1. katman sınıflandırıcılarını başlatın
clf1 = Classifier1(params1)
clf2 = Classifier2(params2)
...
clfN = ClassifierN(paramsN)

# 2. katman sınıflandırıcısını başlatın
clf_meta = ClassifierMeta(paramsMeta)

# Stacking sınıflandırıcıyı oluşturun
clf_stack = StackingClassifier(
   classifiers=[clf1, clf2, ... clfN],
   meta_classifier=clf_meta,
   use_probas=False,
   use_features_in_secondary=False)

# scikit-learn tahminleyicilerindeki gibi
# fit ve predict metodlarını kullanın
clf_stack.fit(X_train, y_train)
pred = clf_stack.predict(X_test)

mlxtend ile StackingRegressor

from mlxtend.regressor 
    import StackingRegressor

# 1. katman regresörlerini başlatın
reg1 = Regressor1(params1)
reg2 = Regressor2(params2)
...
regN = RegressorN(paramsN)

# 2. katman regresörünü başlatın
reg_meta = RegressorMeta(paramsMeta)

# Stacking regresörü oluşturun
reg_stack = StackingRegressor(
   regressors=[reg1, reg2, ... regN],
   meta_regressor=reg_meta,
   use_features_in_secondary=False)

# scikit-learn tahminleyicilerindeki gibi
# fit ve predict metodlarını kullanın
reg_stack.fit(X_train, y_train)
pred = reg_stack.predict(X_test)

Hadi mlxtend kullanalım!

Python'da Ensemble Yöntemleri