談Kaggle機(jī)器學(xué)習(xí)之模型融合

本文以Kaggle的TItanic入門比賽來講解stacking的應(yīng)用（兩層?。?。

數(shù)據(jù)的行數(shù)：train.csv有890行，也就是890個人，test.csv有418行（418個人）。

而數(shù)據(jù)的列數(shù)就看你保留了多少個feature了，因人而異。我自己的train保留了 7+1（1是預(yù)測列）。

在網(wǎng)上為數(shù)不多的stacking內(nèi)容里，相信你早看過了這張圖：

這張圖，如果你能一下子就能看懂，那就OK。

如果一下子看不懂，就麻煩了，在接下來的一段時間內(nèi)，你就會臥槽臥槽地持續(xù)懵逼。。.。。.

因為這張圖極具‘誤導(dǎo)性’。（注意！我沒說這圖是錯的，盡管它就是錯的！?。〉窃诰W(wǎng)上為數(shù)不多教學(xué)里有張無碼圖就不錯啦，感恩吧，我這個小弱雞）。

我把圖改了一下：

對于每一輪的 5-fold，Model 1都要做滿5次的訓(xùn)練和預(yù)測。

TItanic ：

Train Data有890行。（請對應(yīng)圖中的上層部分）

每1次的fold，都會生成 713行 小train， 178行 小test。我們用Model 1來訓(xùn)練 713行的小train，然后預(yù)測 178行 小test。預(yù)測的結(jié)果是長度為 178 的預(yù)測值。

這樣的動作走5次！ 長度為178 的預(yù)測值 X 5 = 890 預(yù)測值，剛好和Train data長度吻合。這個890預(yù)測值是Model 1產(chǎn)生的，我們先存著，因為，一會讓它將是第二層模型的訓(xùn)練來源。

重點：這一步產(chǎn)生的預(yù)測值我們可以轉(zhuǎn)成 890 X 1 （890 行，1列），記作 P1 （大寫P）

接著說 Test Data 有 418 行。（請對應(yīng)圖中的下層部分，對對對，綠綠的那些框框）

每1次的fold，713行 小train訓(xùn)練出來的Model 1要去預(yù)測我們?nèi)康腡est Data（全部！因為Test Data沒有加入5-fold，所以每次都是全部?。４藭r，Model 1的預(yù)測結(jié)果是長度為418的預(yù)測值。

這樣的動作走5次！我們可以得到一個 5 X 418 的預(yù)測值矩陣。然后我們根據(jù)行來就平均值，最后得到一個 1 X 418 的平均預(yù)測值。

重點：這一步產(chǎn)生的預(yù)測值我們可以轉(zhuǎn)成 418 X 1 （418行，1列），記作 p1 （小寫p）

走到這里，你的第一層的Model 1完成了它的使命。

第一層還會有其他Model的，比如Model 2，同樣的走一遍， 我們有可以得到 890 X 1 （P2） 和 418 X 1 （p2） 列預(yù)測值。

這樣吧，假設(shè)你第一層有3個模型，這樣你就會得到：

來自5-fold的預(yù)測值矩陣 890 X 3，（P1，P2， P3） 和 來自Test Data預(yù)測值矩陣 418 X 3， （p1， p2， p3）。

到第二層

來自5-fold的預(yù)測值矩陣 890 X 3 作為你的Train Data，訓(xùn)練第二層的模型

來自Test Data預(yù)測值矩陣 418 X 3 就是你的Test Data，用訓(xùn)練好的模型來預(yù)測他們吧。

最后 ，放出一張Python的Code，在網(wǎng)上為數(shù)不多的stacking內(nèi)容里， 這個幾行的code你也早就看過了吧，我之前一直卡在這里，現(xiàn)在加上一點點注解，希望對你有幫助：