Zbuduj swój pierwszy stacked ensemble

Metody zespołowe w Pythonie

Román de las Heras

Data Scientist, Appodeal

Stacking modeli w scikit-learn

Cechy implementacji stackingu w scikit-learn:

scikit-learn udostępnia estymatory stackingu (od wersji 0.22)
Kompatybilne z innymi estymatorami scikit-learn
Finalny estymator jest trenowany za pomocą walidacji krzyżowej

Ogólne kroki

Kroki architektury stackingu

Ogólne kroki implementacji:

Przygotowanie zbioru danych
Budowa estymatorów pierwszej warstwy
Dołączenie predykcji do zbioru danych
Budowa meta-estymatora drugiej warstwy
Użycie stacked ensemble do predykcji

Klasyfikator stackingowy

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)

Regresor stackingowy

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)

Czas na ćwiczenia!

Metody zespołowe w Pythonie