Mari gunakan mlxtend!

Metode Ensemble di Python

Román de las Heras

Data Scientist, Appodeal

Mlxtend

Extensi Pembelajaran Mesin
Utilitas dan alat untuk tugas Data Science:
- Seleksi fitur
- Metode ensemble
- Visualisasi
- Evaluasi model
API intuitif dan ramah pengguna
Kompatibel dengan estimator scikit-learn

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/

Implementasi stacking dari mlxtend

gambaran umum stackingclassification.png

Karakteristik:

Estimator individual dilatih pada semua fitur
Meta-estimator dilatih menggunakan prediksi sebagai satu-satunya meta-fitur
Meta-estimator dapat dilatih dengan label atau probabilitas sebagai target

StackingClassifier dengan mlxtend

from mlxtend.classifier 
    import StackingClassifier

# Instansiasi classifier lapis 1
clf1 = Classifier1(params1)
clf2 = Classifier2(params2)
...
clfN = ClassifierN(paramsN)

# Instansiasi classifier lapis 2
clf_meta = ClassifierMeta(paramsMeta)

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

# Gunakan fit dan predict
# seperti estimator scikit-learn
clf_stack.fit(X_train, y_train)
pred = clf_stack.predict(X_test)

StackingRegressor dengan mlxtend

from mlxtend.regressor 
    import StackingRegressor

# Instansiasi regressor lapis 1
reg1 = Regressor1(params1)
reg2 = Regressor2(params2)
...
regN = RegressorN(paramsN)

# Instansiasi regressor lapis 2
reg_meta = RegressorMeta(paramsMeta)

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

# Gunakan fit dan predict
# seperti estimator scikit-learn
reg_stack.fit(X_train, y_train)
pred = reg_stack.predict(X_test)

Mari gunakan mlxtend!

Metode Ensemble di Python