吉他价格品牌,吉他教学教程,吉他曲谱视频
关注520吉他网
文章页顶部广告位
当前位置:首页 > 头条 > Kaggle机器学习之模型融合(stacking)心得
时间:2019-05-15     来源:网络资源     标签:

原标题:Kaggle机器学习之模型融合(stacking)心得 雷锋网 AI科技评论按,本文作者吉他雷锋网 AI科技评论按,本文作者吉他手,雷锋网 AI科技评论获其授权发布。

在学习过程中感谢@贝尔塔模型融合方法,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()。

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!

)。

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)。

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)。

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)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:

文章页顶部广告位
文章页顶部广告位
文章页顶部广告位

报歉!评论已关闭。