这篇教程Python集成学习之Blending算法详解写得很实用，希望能帮到您。
一、前言普通机器学习：从训练数据中学习一个假设。 集成方法：试图构建一组假设并将它们组合起来，集成学习是一种机器学习范式，多个学习器被训练来解决同一个问题。 集成方法分类为： Bagging(并行训练)：随机森林 Boosting（串行训练）：Adaboost; GBDT; XgBoost Stacking: Blending: 或者分类为串行集成方法和并行集成方法 1.串行模型：通过基础模型之间的依赖，给错误分类样本一个较大的权重来提升模型的性能。 2.并行模型的原理：利用基础模型的独立性，然后通过平均能够较大地降低误差
二、Blending介绍训练数据划分为训练和验证集+新的训练数据集和新的测试集
将训练数据进行划分，划分之后的训练数据一部分训练基模型，一部分经模型预测后作为新的特征训练元模型。
测试数据同样经过基模型预测，形成新的测试数据。最后，元模型对新的测试数据进行预测。Blending框架图如下所示：
注意：其是在stacking的基础上加了划分数据
三、Blending流程图
- 第一步：将原始训练数据划分为训练集和验证集。
- 第二步：使用训练集对训练T个不同的模型。
- 第三步：使用T个基模型，对验证集进行预测，结果作为新的训练数据。
- 第四步：使用新的训练数据，训练一个元模型。
- 第五步：使用T个基模型，对测试数据进行预测，结果作为新的测试数据。
- 第六步：使用元模型对新的测试数据进行预测，得到最终结果。
四、案例相关工具包加载 import numpy as npimport pandas as pd import matplotlib.pyplot as pltplt.style.use("ggplot")%matplotlib inlineimport seaborn as sns创建数据 from sklearn import datasets from sklearn.datasets import make_blobsfrom sklearn.model_selection import train_test_splitdata, target = make_blobs(n_samples=10000, centers=2, random_state=1, cluster_std=1.0 )## 创建训练集和测试集X_train1,X_test,y_train1,y_test = train_test_split(data, target, test_size=0.2, random_state=1)## 创建训练集和验证集X_train,X_val,y_train,y_val = train_test_split(X_train1, y_train1, test_size=0.3, random_state=1)print("The shape of training X:",X_train.shape)print("The shape of training y:",y_train.shape)print("The shape of test X:",X_test.shape)print("The shape of test y:",y_test.shape)print("The shape of validation X:",X_val.shape)print("The shape of validation y:",y_val.shape) 设置第一层分类器 from sklearn.svm import SVCfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.neighbors import KNeighborsClassifier clfs = [SVC(probability=True),RandomForestClassifier(n_estimators=5,n_jobs=-1,criterion='gini'),KNeighborsClassifier()] 设置第二层分类器 from sklearn.linear_model import LinearRegressionlr = LinearRegression() 第一层 val_features = np.zeros((X_val.shape[0],len(clfs)))test_features = np.zeros((X_test.shape[0],len(clfs))) for i,clf in enumerate(clfs): clf.fit(X_train,y_train) val_feature = clf.predict_proba(X_val)[:,1] test_feature = clf.predict_proba(X_test)[:,1] val_features[:,i] = val_feature test_features[:,i] = test_feature 第二层 lr.fit(val_features,y_val) 输出预测的结果 lr.fit(val_features,y_val)from sklearn.model_selection import cross_val_scorecross_val_score(lr,test_features,y_test,cv=5) 到此这篇关于Python集成学习之Blending算法详解的文章就介绍到这了,更多相关Python Blending算法内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
基于Python3中运算符 **和*的区别说明
Pytorch中求模型准确率的两种方法小结 |
