Ensemble Learning-模型融合-Python实现

Wisdom of the crowds == ensemble machine learning

1 Ensemble Learning-模型融合

通过对多个单模型融合以提升整体性能。

1.1 Voting

投票制即为，投票多者为最终的结果。例如一个分类问题，多个模型投票（当然可以设置权重）。最终投票数最多的类为最终被预测的类。

1.2 Averaging

Averaging即所有预测器的结果平均。

• 回归问题，直接取平均值作为最终的预测值。（也可以使用加权平均）
• 分类问题，直接将模型的预测概率做平均。（or 加权）

加权平均，其公式如下：

∑i=1nWeighti∗Pi

其中n表示模型的个数， Weighti表示该模型权重，Pi表示模型i的预测概率值。

例如两个分类器，XGBoost（权重0.4）和LightGBM（权重0.6），其预测概率分别为：0.75、0.5，那么最终的预测概率，(0.4 * 0.75+0.6 * 0.5)/(0.4+0.6)=0.6

模型权重也可以通过机器学习模型学习得到

1.3 Ranking

Rank的思想其实和Averaging一致，但Rank是把排名做平均，对于AUC指标比较有效。

个人认为其实就是Learning to rank的思想，可以来优化搜索排名。具体公式如下：

∑i=1nWeightiRanki

其中n表示模型的个数， Weighti表示该模型权重，所有权重相同表示平均融合。Ranki表示样本在第i个模型中的升序排名。它可以较快的利用排名融合多个模型之间的差异，而不需要加权融合概率。

1.4 Binning

将单个模型的输出放到一个桶中。参考pdf paper ， Guocong Song ，

1.5 Bagging

使用训练数据的不同随机子集来训练每个 Base Model，最后每个 Base Model 权重相同，分类问题进行投票，回归问题平均。

随机森林就用到了Bagging，并且具有天然的并行性。

1.6 Boosting

Boosting是一种迭代的方法，每一次训练会更关心上一次被分错的样本，比如改变被错分的样本的权重的Adaboost方法。还有许多都是基于这种思想，比如Gradient Boosting等。

经典问题：随机森林、Adaboost、GBDT、XGBoost的区别是什么？（面试常常被问）

1.7 Stacking

图片来自Wille的博客。

从上图可以看出，类似交叉验证。

1. 将数据集分为K个部分，共有n个模型。

2. for i in xrange(n):

   ​ for i in xrange(k):

   ​ 用第i个部分作为预测，剩余的部分来训练模型，获得其预测的输出作为第i部分的新特征。

   ​ 对于测试集，直接用这k个模型的预测值均值作为新的特征。

3. 这样k次下来，整个数据集都获得了这个模型构建的New Feature。n个模型训练下来，这个模型就有n个New Features。

4. 把New Features和label作为新的分类器的输入进行训练。然后输入测试集的New Features输入模型获得最终的预测结果。

1.8 Blending

Blending直接用不相交的数据集用于不同层的训练。

以两层的Blending为例，训练集划分为两部分（d1，d2），测试集为test。

1. 第一层：用d1训练多个模型，讲其对d2和test的预测结果作为第二层的New Features。
2. 第二层：用d2的New Features和标签训练新的分类器，然后把test的New Features输入作为最终的预测值。

2 融合的条件

• Base Model 之间的相关性要尽可能的小。这就是为什么非 Tree-based Model 往往表现不是最好但还是要将它们包括在 Ensemble 里面的原因。Ensemble 的 Diversity 越大，最终 Model 的 Bias 就越低。
• Base Model 之间的性能表现不能差距太大。这其实是一个 Trade-off，在实际中很有可能表现相近的 Model 只有寥寥几个而且它们之间相关性还不低。但是实践告诉我们即使在这种情况下 Ensemble 还是能大幅提高成绩。

3 Python实现

下面只实现了一些常用的融合方法，其他的类推。

3.1 Stacking

'''5折stacking'''n_folds = 5skf = list(StratifiedKFold(y, n_folds))for j, clf in enumerate(clfs):    '''依次训练各个单模型'''    dataset_blend_test_j = np.zeros((X_predict.shape[0], len(skf)))    for i, (train, test) in enumerate(skf):        '''使用第i个部分作为预测，剩余的部分来训练模型，获得其预测的输出作为第i部分的新特征。'''        X_train, y_train, X_test, y_test = X[train], y[train], X[test], y[test]        clf.fit(X_train, y_train)        y_submission = clf.predict_proba(X_test)[:, 1]        dataset_blend_train[test, j] = y_submission        dataset_blend_test_j[:, i] = clf.predict_proba(X_predict)[:, 1]    '''对于测试集，直接用这k个模型的预测值均值作为新的特征。'''    dataset_blend_test[:, j] = dataset_blend_test_j.mean(1)'''融合使用的模型'''clf = GradientBoostingClassifier(learning_rate=0.02, subsample=0.5, max_depth=6, n_estimators=30)clf.fit(dataset_blend_train, y)y_submission = clf.predict_proba(dataset_blend_test)[:, 1]

完整代码见：GitHub_ensemble_stacking

3.2 Blending

下面是一个两层的Blending的实现

'''切分训练数据集为d1,d2两部分'''X_d1, X_d2, y_d1, y_d2 = train_test_split(X, y, test_size=0.5, random_state=2017)dataset_blend_train = np.zeros((X_d2.shape[0], len(clfs)))dataset_blend_test = np.zeros((X_predict.shape[0], len(clfs)))for j, clf in enumerate(clfs):    '''依次训练各个单模型'''    # print(j, clf)    '''使用第1个部分作为预测，第2部分来训练模型，获得其预测的输出作为第2部分的新特征。'''    # X_train, y_train, X_test, y_test = X[train], y[train], X[test], y[test]    clf.fit(X_train, y_train)    y_submission = clf.predict_proba(X_test)[:, 1]    dataset_blend_train[:, j] = y_submission    '''对于测试集，直接用这k个模型的预测值作为新的特征。'''    dataset_blend_test[:, j] = clf.predict_proba(X_predict)[:, 1]    print("val auc Score: %f" % roc_auc_score(y_predict, dataset_blend_test[:, j]))'''融合使用的模型'''# clf = LogisticRegression()clf = GradientBoostingClassifier(learning_rate=0.02, subsample=0.5, max_depth=6, n_estimators=30)clf.fit(dataset_blend_train, y_test)y_submission = clf.predict_proba(dataset_blend_test)[:, 1]

完整代码见：GitHub_ensemble_blending

Reference

1. HUMAN ENSEMBLE LEARNING
2. https://mlwave.com/kaggle-ensembling-guide/
3. https://dnc1994.com/2016/04/rank-10-percent-in-first-kaggle-competition/
4. https://zhuanlan.zhihu.com/p/25836678