写在前面
scikit-learn 官网的Ensemble methods 文档部分只介绍了/bagging / boosting / voting / 三种模型组合方式;但是通过查找学习，受周志华《机器学习》集成学习部分的学习法启发，了解并学习了 stacking，在此以作记录。
概述
Stacking 是一种集合学习技术，通过元分类器组合多个分类模型。基于完整训练集训练各个分类模型; 然后，基于整体中的各个分类模型的输出 - 元特征来拟合元分类器。元分类器可以根据预测类标签或来自集合的概率进行训练。
流程图：
OR
[图片上传失败...(image-95bf0e-1518054917176)]
算法总结：
[图片上传失败...(image-f3b4e9-1518054917176)]
下面直接上实现过程
环境
- ubantu 16.04 + jupyter + python2.7
- scikit-learn + mlxtend + anconda
示例1.基础StackingClassifier
from sklearn import model_selection
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from mlxtend.classifier import StackingClassifier
import numpy as np
clf1 = KNeighborsClassifier(n_neighbors=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
lr = LogisticRegression()
sclf = StackingClassifier(classifiers=[clf1, clf2, clf3],
meta_classifier=lr)
print('3-fold cross validation:\n')
for clf, label in zip([clf1, clf2, clf3, sclf],
['KNN',
'Random Forest',
'Naive Bayes',
'StackingClassifier']):
scores = model_selection.cross_val_score(clf, X, y,
cv=3, scoring='accuracy')
print("Accuracy: %0.2f (+/- %0.2f) [%s]"
% (scores.mean(), scores.std(), label))
3-fold cross validation:
Accuracy: 0.91 (+/- 0.01) [KNN]
Accuracy: 0.91 (+/- 0.06) [Random Forest]
Accuracy: 0.92 (+/- 0.03) [Naive Bayes]
Accuracy: 0.95 (+/- 0.03) [StackingClassifier]
import matplotlib.pyplot as plt
from mlxtend.plotting import plot_decision_regions
import matplotlib.gridspec as gridspec
import itertools
gs = gridspec.GridSpec(2, 2)
fig = plt.figure(figsize=(10,8))
for clf, lab, grd in zip([clf1, clf2, clf3, sclf],
['KNN',
'Random Forest',
'Naive Bayes',
'StackingClassifier'],
itertools.product([0, 1], repeat=2)):
clf.fit(X, y)
ax = plt.subplot(gs[grd[0], grd[1]])
fig = plot_decision_regions(X=X, y=y, clf=clf)
plt.title(lab)
[图片上传失败...(image-2a710d-1518054917176)]
示例2.使用概率作为原特征的分类
或者，第一级分类器的类概率可用于通过设置来训练元分类器（第二级分类器）use_probas=True。如果average_probas=True，平均1级分类器的概率，如果average_probas=False，概率被学习法（推荐）。例如，在具有2个1级分类器的3类设置中，这些分类器可以对1个训练样本进行以下“概率”预测：
- 分类器1：[0.2,0.5,0.3]
- 分类器2：[0.3,0.4,0.4]
如果average_probas=True，元特征将是：
- [0.25,0.45,0.35]
相反，使用average_probas=Falsek个特征中的结果，其中，k = [n_classes * n_classifiers]，通过学习法这些1级概率：
- [0.2,0.5,0.3,0.3,0.4,0.4]
clf1 = KNeighborsClassifier(n_neighbors=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
lr = LogisticRegression()
sclf = StackingClassifier(classifiers=[clf1, clf2, clf3],
use_probas=True,
average_probas=False,
meta_classifier=lr)
print('3-fold cross validation:\n')
for clf, label in zip([clf1, clf2, clf3, sclf],
['KNN',
'Random Forest',
'Naive Bayes',
'StackingClassifier']):
scores = model_selection.cross_val_score(clf, X, y,
cv=3, scoring='accuracy')
print("Accuracy: %0.2f (+/- %0.2f) [%s]"
% (scores.mean(), scores.std(), label))
3-fold cross validation:
Accuracy: 0.91 (+/- 0.01) [KNN]
Accuracy: 0.91 (+/- 0.06) [Random Forest]
Accuracy: 0.92 (+/- 0.03) [Naive Bayes]
Accuracy: 0.94 (+/- 0.03) [StackingClassifier]
示例3 - 学习法分类和GridSearch
要为scikit-learn设置参数网格GridSearch，需在参数网格中提供分类器的名称 - 在元回归的特殊情况下，添加'meta-'前缀。
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from mlxtend.classifier import StackingClassifier
# Initializing models
clf1 = KNeighborsClassifier(n_neighbors=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
lr = LogisticRegression()
sclf = StackingClassifier(classifiers=[clf1, clf2, clf3],
meta_classifier=lr)
params = {'kneighborsclassifier__n_neighbors': [1, 5],
'randomforestclassifier__n_estimators': [10, 50],
'meta-logisticregression__C': [0.1, 10.0]}
grid = GridSearchCV(estimator=sclf,
param_grid=params,
cv=5,
refit=True)
grid.fit(X, y)
cv_keys = ('mean_test_score', 'std_test_score', 'params')
for r, _ in enumerate(grid.cv_results_['mean_test_score']):
print("%0.3f +/- %0.2f %r"
% (grid.cv_results_[cv_keys[0]][r],
grid.cv_results_[cv_keys[1]][r] / 2.0,
grid.cv_results_[cv_keys[2]][r]))
print('Best parameters: %s' % grid.best_params_)
print('Accuracy: %.2f' % grid.best_score_)
在此对于寻参方法，与之前的VoteClassifier 设计相同，但是作者本身还是更喜欢将一级分类器逐个寻优 ->之后才带入一级模型训练 - > 接着二级分类器模型寻参 -> 二级模型训练
如果我们计划多次使用回归算法，我们需要做的是在参数网格中添加一个额外的数字后缀，如下所示：
from sklearn.model_selection import GridSearchCV
# Initializing models
clf1 = KNeighborsClassifier(n_neighbors=1)
clf2 = RandomForestClassifier(random_state=1)
clf3 = GaussianNB()
lr = LogisticRegression()
sclf = StackingClassifier(classifiers=[clf1, clf1, clf2, clf3], # 此处变化
meta_classifier=lr)
params = {'kneighborsclassifier-1__n_neighbors': [1, 5],
'kneighborsclassifier-2__n_neighbors': [1, 5], # 此处变化
'randomforestclassifier__n_estimators': [10, 50],
'meta-logisticregression__C': [0.1, 10.0]}
grid = GridSearchCV(estimator=sclf,
param_grid=params,
cv=5,
refit=True)
grid.fit(X, y)
cv_keys = ('mean_test_score', 'std_test_score', 'params')
for r, _ in enumerate(grid.cv_results_['mean_test_score']):
print("%0.3f +/- %0.2f %r"
% (grid.cv_results_[cv_keys[0]][r],
grid.cv_results_[cv_keys[1]][r] / 2.0,
grid.cv_results_[cv_keys[2]][r]))
print('Best parameters: %s' % grid.best_params_)
print('Accuracy: %.2f' % grid.best_score_)
API 说明
StackingClassifier（classifiers，meta_classifier，use_probas = False，average_probas = False，verbose = 0）
参数
-
classifiers ：array-like，shape = [n_classifiers]
一级分类器列表
-
meta_classifier ：Object
二级分类器（元分类器）
-
use_probas ：bool（默认值：False）
如果为True，则基于预测的概率而不是类标签来训练元分类器。
-
average_probas ：bool（默认值：False）
如果为真，将概率平均为元特征。
-
verbose ：int，optional（default = 0）
Controls the verbosity of the building process. - verbose=0 (default): Prints nothing - verbose=1: Prints the number & name of the regressor being fitted - verbose=2: Prints info about the parameters of the regressor being fitted - verbose>2: Changes verbose param of the underlying regressor to self.verbose - 2
属性
-
clfs_ ：list，shape = [n_classifiers]
一级分类器
-
meta_clf_ ：estimators器
二级分类器（元分类器）
方法
fit（X，y）
拟合合成分类器和元分类器。
Parameters
-
X ：{array-like，sparse matrix}，shape = [n_samples，n_features]
训练向量，其中n_samples是样本的数量，n_features是特征的数量。
-
y ：array-like，shape = [n_samples]
target values。
Returns
self ：Object
fit_transform（X，y = None，fit_params）
进行数据规整化
Parameters
-
X ：numpy array of shape [n_samples, n_features]
训练集
-
y ：numpy array of shape [n_samples]
标签
Returns
-
X_new ：numpy array of shape [n_samples, n_features_new]
转换数组
get_params（deep = True）
返回GridSearch支持的estimators参数名称。
predict(X)
预测X的标签
Parameters
-
X ：{array-like，sparse matrix}，shape = [n_samples，n_features]
训练向量，其中n_samples是样本的数量，n_features是特征的数量。
Returns
- labels ：array-like，shape = [n_samples]
Predicted class labels.
predict_proba（X）
Predict class probabilities for X.
Parameters
-
X ：{array-like，sparse matrix}，shape = [n_samples，n_features]
训练向量，其中n_samples是样本的数量，n_features是特征的数量。
Returns
-
proba ：array-like，shape = [n_samples，n_classes]
每个样本的概率。
-
score（X，y，sample_weight = None）
Returns the mean accuracy on the given test data and labels.
在多标签分类中，这是子集精度，其是苛刻的度量，因为对于每个样本需要正确地预测每个标号集合。
Parameters
-
X ：array-like，shape =（n_samples，n_features）
测试
-
y ：array-like，shape =（n_samples）或（n_samples，n_outputs）
X的真实标签。
sample_weight ：array-like，shape = [n_samples]，可选
Returns
-
score ：float
Mean accuracy of self.predict(X) wrt. y.
set_params（params）
设置estimators的参数。
该方法适用于简单estimators以及嵌套对象（例如pipelines）后者具有形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。
