自我介绍范文网

当前位置:自我介绍范文网 > 范文 > 心得体会 > 读书心得 > >

Kaggle机器学习之模型融合(stacking)心得

来源::网络整理 | 作者:管理员 | 本文已影响

此文道出了本人学习Stacking入门级应用的心路历程。

在学习过程中感谢@贝尔塔的模型融合方法,以及如何在 Kaggle 首战中进入前 10%这篇文章(作者是章凌豪)。对于两位提供的信息,感激不尽。同时还有Kaggle上一些关于ensemble的文章和代码,比如这篇(https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python)。

本文适用于被stacking折磨的死去活来的新手,在网上为数不多的stacking内容里,我已经假设你早已经看过了上述所提到的那几篇有用的文章了。但是,看完之后内心还是卧槽的。我希望下面的内容能成为,你在学习stacking的曲折道路上的一个小火把,给你提供一些微弱的光亮。

本文以Kaggle的Titanic(泰坦尼克预测)入门比赛来讲解stacking的应用(两层!)。

数据的行数:train.csv有890行,也就是890个人,test.csv有418行(418个人)。

而数据的列数就看你保留了多少个feature了,因人而异。我自己的train保留了 7+1(1是预测列)。

在网上为数不多的stacking内容里,相信你早看过了这张图: <img src="https://static.leiphone.com/uploads/new/article/pic/201709/71979ed976c68dcc834bfbe35ae73d79.jpg" data-rawwidth="1297" data-rawheight="326" data-original="http://p0.ifengimg.com/pmop/2017/0929/19C0BD8F302E2641C5F6126FA9898049BD406207_size62_w1297_h326.jpeg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/71979ed976c68dcc834bfbe35ae73d79.jpg"/>

Kaggle机器学习之模型融合(stacking)心得

这张图,如果你能一下子就能看懂,那就OK。

如果一下子看不懂,就麻烦了,在接下来的一段时间内,你就会卧槽卧槽地持续懵逼......

因为这张图极具‘误导性’。(注意!我没说这图是错的,尽管它就是错的!!!但是在网上为数不多教学里有张无码图就不错啦,感恩吧,我这个小弱鸡)。

我把图改了一下:

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/cfb37e4250561177520f6f7af86d42f4.jpg" data-rawwidth="1297" data-rawheight="326" data-original="http://p0.ifengimg.com/pmop/2017/0929/030EDCD18448DA32601D639FB98E5BC792C3B5B8_size104_w1297_h326.jpeg" _src="https://static.leiphone.com/uploads/new/article/pic/201709/cfb37e4250561177520f6f7af86d42f4.jpg"/>对于每一轮的 5-fold,Model 1都要

Kaggle机器学习之模型融合(stacking)心得

对于每一轮的 5-fold,Model 1都要做满5次的训练和预测。

Titanic 栗子:

Train Data有890行。(请对应图中的上层部分)

每1次的fold,都会生成 713行 小train, 178行 小test。我们用Model 1来训练 713行的小train,然后预测 178行 小test。预测的结果是长度为 178 的预测值。

这样的动作走5次! 长度为178 的预测值 X 5 = 890 预测值,刚好和Train data长度吻合。这个890预测值是Model 1产生的,我们先存着,因为,一会让它将是第二层模型的训练来源。

重点:这一步产生的预测值我们可以转成 890 X 1 (890 行,1列),记作 P1 (大写P)

接着说 Test Data 有 418 行。(请对应图中的下层部分,对对对,绿绿的那些框框)

每1次的fold,713行 小train训练出来的Model 1要去预测我们全部的Test Data(全部!因为Test Data没有加入5-fold,所以每次都是全部!)。此时,Model 1的预测结果是长度为418的预测值。

这样的动作走5次!我们可以得到一个 5 X 418 的预测值矩阵。然后我们根据行来就平均值,最后得到一个 1 X 418 的平均预测值。

重点:这一步产生的预测值我们可以转成 418 X 1 (418行,1列),记作 p1 (小写p)

走到这里,你的第一层的Model 1完成了它的使命。

第一层还会有其他Model的,比如Model 2,同样的走一遍, 我们有可以得到 890 X 1 (P2) 和 418 X 1 (p2) 列预测值。

这样吧,假设你第一层有3个模型,这样你就会得到:

来自5-fold的预测值矩阵 890 X 3,(P1,P2, P3) 和 来自Test Data预测值矩阵 418 X 3, (p1, p2, p3)。

-----------------------------------------

到第二层了..................

来自5-fold的预测值矩阵 890 X 3 作为你的Train Data,训练第二层的模型
来自Test Data预测值矩阵 418 X 3 就是你的Test Data,用训练好的模型来预测他们吧。

---------------------------------------

最后 ,放出一张Python的Code,在网上为数不多的stacking内容里, 这个几行的code你也早就看过了吧,我之前一直卡在这里,现在加上一点点注解,希望对你有帮助:

<img src="https://static.leiphone.com/uploads/new/article/pic/201709/d9b737ad6edbc00ffa15aa082fa4bb19.png" data-rawwidth="1013" data-rawheight="488" data-original="http://p0.ifengimg.com/pmop/2017/0929/3156385ED852AD75F1AA290F67BBEE737145249A_size120_w1013_h488.png" _src="https://static.leiphone.com/uploads/new/article/pic/201709/d9b737ad6edbc00ffa15aa082fa4bb19.png"/>

Kaggle机器学习之模型融合(stacking)心得


Kaggle机器学习之模型融合(stacking)心得


本文标题:Kaggle机器学习之模型融合(stacking)心得
分享到: 更多

更多关于“读书心得”的文章

随机阅读TODAY'S FOCUS