आइए mlxtend इस्तेमाल करें!

Python में Ensemble Methods

Román de las Heras

Data Scientist, Appodeal

Mlxtend

Machine Learning Extensions
Data Science टास्क के लिए यूटिलिटीज़ और टूल्स:
- फीचर चयन
- एन्सेम्बल मेथड्स
- विज़ुअलाइज़ेशन
- मॉडल इवैल्युएशन
सहज और फ्रेंडली API
scikit-learn इस्टीमे‍टर्स के साथ कम्पैटिबल

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 से Stacking इम्प्लीमेंटेशन

विशेषताएँ:

व्यक्तिगत इस्टीमे‍टर्स पूरे फीचर्स पर प्रशिक्षित होते हैं
मेटा-इस्टीमे़टर को केवल प्रेडिक्शंस को मेटा-फीचर्स मानकर प्रशिक्षित किया जाता है
मेटा-इस्टीमे़टर को लेबल्स या प्रॉबेबिलिटीज़ को टार्गेट रखकर ट्रेन कर सकते हैं

mlxtend के साथ StackingClassifier

from mlxtend.classifier 
    import StackingClassifier

# Instantiate the 1st-layer 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(
   classifiers=[clf1, clf2, ... clfN],
   meta_classifier=clf_meta,
   use_probas=False,
   use_features_in_secondary=False)

# Use the fit and predict methods
# like with scikit-learn estimators
clf_stack.fit(X_train, y_train)
pred = clf_stack.predict(X_test)

mlxtend के साथ StackingRegressor

from mlxtend.regressor 
    import StackingRegressor

# Instantiate the 1st-layer 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(
   regressors=[reg1, reg2, ... regN],
   meta_regressor=reg_meta,
   use_features_in_secondary=False)

# Use the fit and predict methods
# like with scikit-learn estimators
reg_stack.fit(X_train, y_train)
pred = reg_stack.predict(X_test)

आइए mlxtend इस्तेमाल करें!

Python में Ensemble Methods