Bygg ditt första stackade ensemble

Ensemblemetoder i Python

Román de las Heras

Data Scientist, Appodeal

Stackning av modeller med scikit-learn

Några egenskaper hos stackningsimplementationen i scikit-learn:

scikit-learn tillhandahåller stackningsestimatorer (sedan version 0.22)
Kompatibel med andra scikit-learn-estimatorer
Slutestimatorn tränas via korsvalidering

Övergripande steg

Övergripande steg för implementationen:

Förbered datamängden
Bygg estimatorerna i det första lagret
Lägg till prediktionerna i datamängden
Bygg metaestimatorn i det andra lagret
Använd det stackade ensemblet för prediktioner

Stackningsklassificerare

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)

Stackningsregressor

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)

Nu kör vi en övning!

Ensemblemetoder i Python