标签:集成 val 学习 shape train Blending test import sklearn
Blending集成学习作为stack集成学习的简化版,可以看成是一个两层的集成,第一层有多个分类器,分类的结果输出到第二层,而第二层通常是一个逻辑回归的模型,把第一层的分类结果作为特征输入到逻辑回归的模型。 Blending集成学习主要步骤分为以下五步:
(1) 将数据划分为训练集和测试集 (test_set) ,其中训练集需要再次划分为训练集 (train_set) 和验证集 (val_set) ; (2) 创建第一层的多个模型,这些模型可以使同质的也可以是异质的; (3) 使用 train_set 训练步骤 2 中的多个模型,然后用训练好的模型预测 val_set 和 test_set 得到 val_predict, test_predict1 ; (4) 创建第二层的模型 , 使用 val_predict 作为训练集训练第二层的模型; (5) 使用第二层训练好的模型对第二层测试集 test_predict1 进行预测,该结果为整个测试集的结果。 整个过程比较简单,但是背后的理论并没有了解,但是很明显的缺点就是最后只会用到验证集的数据。 实现代码如下所示:import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.style.use("ggplot") import seaborn as sns from sklearn import datasets from sklearn.datasets import make_blobs from sklearn.model_selection import train_test_split data, 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 SVC from sklearn.ensemble import RandomForestClassifier from 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 LinearRegression lr = LinearRegression() val_features = np.zeros((X_val.shape[0],len(clfs))) # 初始化验证集结果 test_features = np.zeros((X_test.shape[0],len(clfs))) # 初始化测试集结果 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 # 将第一层的验证集的结果输入第二层训练第二层分类器 lr.fit(val_features,y_val) # 输出预测的结果 from sklearn.model_selection import cross_val_score print(cross_val_score(lr,test_features,y_test,cv=5))
标签:集成,val,学习,shape,train,Blending,test,import,sklearn 来源: https://blog.csdn.net/qq_33588413/article/details/116671381
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。