Sestavte první skládaný ensemble

Ensemble Methods in Python

Román de las Heras

Data Scientist, Appodeal

Stacking modelů pomocí scikit-learn

Vlastnosti implementace stackingu v scikit-learn:

scikit-learn poskytuje stackingové estimátory (od verze 0.22)
Kompatibilní s ostatními estimátory scikit-learn
Finální estimátor je trénován pomocí křížové validace

Obecné kroky

Architektura a kroky stackingu

Obecné kroky implementace:

Připravte datovou sadu
Sestavte estimátory první vrstvy
Přidejte predikce do datové sady
Sestavte meta estimátor druhé vrstvy
Použijte skládaný ensemble pro predikce

Stackingový klasifikátor

from sklearn.ensemble import StackingClassifier

# Instantiate the 1st-layer classifiers
classifiers = [
    ('clf1', Classifier1(params1)),
    ('clf2', Classifier2(params2)),
    ...
    ('clfN', ClassifierN(paramsN))
]

# Instantiate the 2nd-layer classifier
clf_meta = ClassifierMeta(paramsMeta)

# Build the Stacking classifier
clf_stack = StackingClassifier(
   estimators=classifiers,
   final_estimator=clf_meta,
   cv=5,
   stack_method='predict_proba',
   passthrough=False)

# Use the fit and predict methods
clf_stack.fit(X_train, y_train)
pred = clf_stack.predict(X_test)

Stackingový regresor

from sklearn.ensemble import StackingRegressor

# Instantiate the 1st-layer regressors
regressors = [
    ('reg1', Regressor1(params1)),
    ('reg2', Regressor2(params2)),
    ...
    ('regN', RegressorN(paramsN))    
]

# Instantiate the 2nd-layer regressor
reg_meta = RegressorMeta(paramsMeta)

# Build the Stacking regressor
reg_stack = StackingRegressor(
   estimators=regressors,
   final_estimator=reg_meta,
   cv=5,
   passthrough=False)

# Use the fit and predict methods
reg_stack.fit(X_train, y_train)
pred = reg_stack.predict(X_test)

Lass uns üben!

Ensemble Methods in Python