Nu kör vi med mlxtend!

Ensemblemetoder i Python

Román de las Heras

Data Scientist, Appodeal

Mlxtend

Machine Learning Extensions
Verktyg och hjälpfunktioner för datavetenskap:
- Särdragsurval
- Ensemblemetoder
- Visualisering
- Modellutvärdering
Intuitivt och användarvänligt API
Kompatibelt med scikit-learn-estimatorer

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/

Stacking-implementation från mlxtend

Egenskaper:

Individuella estimatorer tränas på alla särdrag
Meta-estimatorn tränas enbart med prediktionerna som meta-särdrag
Meta-estimatorn kan tränas med etiketter eller sannolikheter som mål

StackingClassifier med mlxtend

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)

StackingRegressor med mlxtend

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)

Nu kör vi med mlxtend!

Ensemblemetoder i Python