Ensembling modeli

Zwycięstwo w konkursie Kaggle w Pythonie

Yauhen Babakhin

Kaggle Grandmaster

Ensembling modeli

projekt ensemblingu zwycięskiego rozwiązania w konkursie Kaggle

Zwycięstwo w konkursie Kaggle w Pythonie

Blending modeli

  • Problem regresji
  • Trenowanie dwóch różnych modeli: A i B
  • Predykcje na danych testowych:
Test ID Predykcja modelu A Predykcja modelu B
1 1.2 1.5
2 0.1 0.4
3 5.4 7.2
Zwycięstwo w konkursie Kaggle w Pythonie

Blending modeli

 

Test ID Predykcja modelu A Predykcja modelu B Średnia arytmetyczna
1 1.2 1.5 1.35
2 0.1 0.4 0.25
3 5.4 7.2 6.30
Zwycięstwo w konkursie Kaggle w Pythonie

Blending modeli

 

Średnia arytmetyczna

$$arithmetic = \frac{1}{n}\sum_{i=1}^{n}{x_i}$$

Średnia geometryczna

$$geometric = \Bigg({\prod_{i=1}^{n}{x_i}}\Bigg)^{\frac{1}{n}}$$

Zwycięstwo w konkursie Kaggle w Pythonie

Stacking modeli

 

  1. Podział danych treningowych na dwie części
  2. Trenowanie wielu modeli na Części 1
  3. Predykcje na Części 2
  4. Predykcje na danych testowych
  5. Trenowanie nowego modelu na Części 2 z predykcjami jako cechami
  6. Predykcje na danych testowych za pomocą modelu 2. poziomu
Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID feature_1 ... feature_N Target
1 0.55 ... 1.37 1
2 0.12 ... -2.50 0
3 0.65 ... 3.14 0
4 0.10 ... 2.87 1
5 0.54 ... -0.10 0
Test IDs feature_1 ... feature_N Target
11 0.49 ... -2.32 ?
12 0.32 ... 1.15 ?
13 0.91 ... 0.81 ?
Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID feature_1 ... feature_N Target
1 0.55 ... 1.37 1
2 0.12 ... -2.50 0
3 0.65 ... 3.14 0

 

Train ID feature_1 ... feature_N Target
4 0.10 ... 2.87 1
5 0.54 ... -0.10 0
Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID feature_1 ... feature_N Target
1 0.55 ... 1.37 1
2 0.12 ... -2.50 0
3 0.65 ... 3.14 0

 

Train ID feature_1 ... feature_N Target
4 0.10 ... 2.87 1
5 0.54 ... -0.10 0

Trenowanie modeli A, B, C na Części 1

Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID feature_1 ... feature_N Target A_pred B_pred C_pred
4 0.10 ... 2.87 1 0.71 0.52 0.98
5 0.54 ... -0.10 0 0.45 0.32 0.24

 

Test IDs feature_1 ... feature_N Target A_pred B_pred C_pred
11 0.49 ... -2.32 ? 0.62 0.45 0.81
12 0.32 ... 1.15 ? 0.31 0.52 0.41
13 0.91 ... 0.81 ? 0.74 0.55 0.92
Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID Target A_pred B_pred C_pred
4 1 0.71 0.52 0.98
5 0 0.45 0.32 0.24

 

Test IDs Target A_pred B_pred C_pred
11 ? 0.62 0.45 0.81
12 ? 0.31 0.52 0.41
13 ? 0.74 0.55 0.92
Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID Target A_pred B_pred C_pred
4 1 0.71 0.52 0.98
5 0 0.45 0.32 0.24

 

Test IDs Target A_pred B_pred C_pred
11 ? 0.62 0.45 0.81
12 ? 0.31 0.52 0.41
13 ? 0.74 0.55 0.92

Trenowanie modelu 2. poziomu na Części 2

Zwycięstwo w konkursie Kaggle w Pythonie

Przykład stackingu

Train ID Target A_pred B_pred C_pred
4 1 0.71 0.52 0.98
5 0 0.45 0.32 0.24

 

Test IDs Target A_pred B_pred C_pred Stacking prediction
11 ? 0.62 0.45 0.81 0.73
12 ? 0.31 0.52 0.41 0.35
13 ? 0.74 0.55 0.92 0.88
Zwycięstwo w konkursie Kaggle w Pythonie

Lass uns üben!

Zwycięstwo w konkursie Kaggle w Pythonie

Preparing Video For Download...