Ensemble Model: Stacked Model Example R语言代码详解—V1.0

本文对 Ensemble Model: Stacked Model Example 中的 R 语言代码进行详解。

本段代码介绍如下:
本文介绍了一种 ensemble model 即将若干种模型的预测结果合并,来获取房屋价格的预测值。
如下图标显示,其中 features sets 可以是一种或多种属性集合:

model combination.png

1. 数据准备

1.1 数据获取

train.raw <- read.csv(file.path(DATA.DIR,"train.csv"),stringsAsFactors = FALSE)
test.raw <- read.csv(file.path(DATA.DIR,"test.csv"), stringsAsFactors = FALSE)

1.2 数据初始化

1.2.1 选取重要的 features 并分类

计算 features 的重要性

具体请参见 Boruta Feature Importance Analysis。主要步骤如下:

  1. 区分字符型和数字型数据

  2. 给数据集分类

  3. 填充缺失值
    1.数字型缺失则设为 -1
    2.字符型缺失则设为“*MISSING"

  4. 执行 Boruta 分析,获取 features 的重要程度

    set.seed(13)
    bor.results <- Boruta(sample.df,response,
               maxRuns=101,
               doTrace=0)
    

执行后结果 plot 如下:

relative importance of each candidate explanatory attribute.png

分类 features

代码示例如下:
CONFIRMED_ATTR <- c("MSSubClass","MSZoning","LotArea","LotShape",
                                  "LandContour","Neighborhood", …… ,"Fence")

1.2.2 为 Cross validation 进行数据分割

# create folds for training
set.seed(13)
data_folds <- createFolds(train.raw$SalePrice, k=5)

语法说明:createFolds(train.raw$SalePrice, k=5)

Create Level 0 Model Feature Sets

将拆分出两个 Feature Set, Feature Set 1 和 2
都包括 Boruta Confirmed and Tentative attributes。此处的每一个 Feature Set 都是由用户自定义的 R 函数生成的。这些函数将原始的 Training Set 变成 Feature Set。此处并没有使用额外的 Feature Engineering

1.3 Feature Set 1

对 SalePrice 数据取 Log - Boruta Confirmed and tentative Attributes

具体语法:
id <- df$Id
if (class(df$SalePrice) != "NULL") {
    y <- log(df$SalePrice)
} else {
    y <- NULL
}

** 填补缺失值**

具体语法:
    # for numeric set missing values to -1 for purposes
num_attr <- intersect(predictor_vars,DATA_ATTR_TYPES$integer)
for (x in num_attr){
  predictors[[x]][is.na(predictors[[x]])] <- -1
}

# for character  atributes set missing value
char_attr <- intersect(predictor_vars,DATA_ATTR_TYPES$character)
for (x in char_attr){
  predictors[[x]][is.na(predictors[[x]])] <- "*MISSING*"
  predictors[[x]] <- factor(predictors[[x]])
}

1.4 Feature Set 2(xgboost)

同 Feature Set 1,首先对 SalePrice 数据取 Log。
同 Feature Set 1,然后填补缺失值。

2. Level 0 Model Training

2.1 Helper Function For Training

为后续建模做一些准备的工作,包括根据 cross-validation 中的一份数据而建模(trainOneFold)以及根据这份数据及其模型得到预测值。

** train model on one data fold**
如下将合并为一个 funcion - prepL0FeatureSet1:
1.获取特定的一份 cross-validation 数据, 即 get fold specific cv data

cv.data <- list()
cv.data$predictors <- feature_set$train$predictors[this_fold,]
cv.data$ID <- feature_set$train$id[this_fold]
cv.data$y <- feature_set$train$y[this_fold]

2.对这一份数据,获得相应的 training data, 即
get training data for specific fold。

train.data <- list()
train.data$predictors <- feature_set$train$predictors[-this_fold,]
train.data$y <- feature_set$train$y[-this_fold]

3.使用 do.call() 一次性执行操作,寻找合适的 model。

 fitted_mdl <- do.call(train,
                      c(list(x=train.data$predictors,y=train.data$y),
                    CARET.TRAIN.PARMS,
                    MODEL.SPECIFIC.PARMS,
                    CARET.TRAIN.OTHER.PARMS))

其中,

  1. do.call constructs and executes a function call from a name or a function and a list of arguments to be passed to it.
  1. R 语言中 train():Fit Predictive Models Over Different Tuning Parameters.

4.获取预测值, 即 make prediction from a model fitted to one fold。

      yhat <- predict(fitted_mdl,newdata = cv.data$predictors,type = "raw")
      score <- rmse(cv.data$y,yhat)  
      ans <- list(fitted_mdl=fitted_mdl,
            score=score,
            predictions=data.frame(ID=cv.data$ID,yhat=yhat,y=cv.data$y))

make prediction from a model fitted to one fold
根据已有的模型进行预测,如下也包装成一个函数 function - makeOneFoldTestPrediction:

fitted_mdl <- this_fold$fitted_mdl
yhat <- predict(fitted_mdl,newdata = feature_set$test$predictors,type = "raw")

2.2 gbm model

set caret training parameters

The caret
package (short for _C_lassification _A_nd _RE_gression _T_raining) is a set of functions that attempt to streamline the process for creating predictive models. The package contains tools for:

  1. data splitting
  2. pre-processing
  3. feature selection
  4. model tuning using resampling
  5. variable importance estimation
CARET.TRAIN.PARMS <-list(method="gbm")   
CARET.TUNE.GRID <-expand.grid(n.trees=100, 
                            interaction.depth=10, 
                            shrinkage=0.1,
                            n.minobsinnode=10)
MODEL.SPECIFIC.PARMS <- list(verbose=0)

其中,

expand.grid(): 由所有的 supplied vectors or factors 新建一个 data frame 。

model specific training parameter

    CARET.TRAIN.CTRL <- trainControl(method="none",
                             verboseIter=FALSE,
                             classProbs=FALSE)

    CARET.TRAIN.OTHER.PARMS <- list(trControl=CARET.TRAIN.CTRL,
                       tuneGrid=CARET.TUNE.GRID,
                       metric="RMSE")

其中,

trainControl 生成一些列参数,这些参数将进一步调控如何生成模型,可能的参数有:
method:resampling method
……
verboseIter: 逻辑语句来打印 training log。
classProbs: 逻辑语句来决定是否应该计算 class probabilities

generate features for Level 1

为后续 Level 1 Model Prediction 做准备。

gbm_set <- llply(data_folds,trainOneFold,L0FeatureSet1)

其中,trainOneFold 是一个训练 Model,LOFeatureSet1 是一个处理过的 Feature 集合。

final model fit
最终选定一个 GBM Model。

gbm_mdl <- do.call(train, c(list(x=L0FeatureSet1$train$predictors,y=L0FeatureSet1$train$y),
             CARET.TRAIN.PARMS,
             MODEL.SPECIFIC.PARMS,
             CARET.TRAIN.OTHER.PARMS))

CV Error Estimate

cv_y <- do.call(c,lapply(gbm_set,function(x){x$predictions$y}))
cv_yhat <- do.call(c,lapply(gbm_set,function(x){x$predictions$yhat}))
rmse(cv_y,cv_yhat)
cat("Average CV rmse:",mean(do.call(c,lapply(gbm_set,function(x){x$score}))))

其中,cat is useful for producing output in user-defined functions.

** create test submission**
最终的预测值是根据不同的 data folds(根据 cross validation 分成了若干 data folds)适用的不同 model 而生成的预测值的平均值,并写入 .csv 文件。

test_gbm_yhat <- predict(gbm_mdl,newdata = L0FeatureSet1$test$predictors,type = "raw")
gbm_submission <- cbind(Id=L0FeatureSet1$test$id,SalePrice=exp(test_gbm_yhat))  
write.csv(gbm_submission,file="gbm_sumbission.csv",row.names=FALSE)

2.3 xgboost model

xgboost model 的流程、算法和 gbm model 相同,具体解释不再赘述,仅将主要流程和语法列举如下:

set caret training parameters

CARET.TRAIN.PARMS <- list(method="xgbTree")   
CARET.TUNE.GRID <-  expand.grid(nrounds=800, 
                            max_depth=10, 
                            eta=0.03, 
                            gamma=0.1, 
                            colsample_bytree=0.4, 
                            min_child_weight=1)
MODEL.SPECIFIC.PARMS <- list(verbose=0)

** model specific training parameter**

CARET.TRAIN.CTRL <- trainControl(method="none",
                             verboseIter=FALSE,
                             classProbs=FALSE)
CARET.TRAIN.OTHER.PARMS <- list(trControl=CARET.TRAIN.CTRL,
                       tuneGrid=CARET.TUNE.GRID,
                       metric="RMSE")

generate Level 1 features

xgb_set <- llply(data_folds,trainOneFold,L0FeatureSet2)

final model fit

xgb_mdl <- do.call(train, c(list(x=L0FeatureSet2$train$predictors,y=L0FeatureSet2$train$y),
             CARET.TRAIN.PARMS,
             MODEL.SPECIFIC.PARMS,
             CARET.TRAIN.OTHER.PARMS))

CV Error Estimate

cv_y <- do.call(c,lapply(xgb_set,function(x){x$predictions$y}))
cv_yhat <- do.call(c,lapply(xgb_set,function(x){x$predictions$yhat}))
rmse(cv_y,cv_yhat)
cat("Average CV rmse:",mean(do.call(c,lapply(xgb_set,function(x){x$score}))))

** create test submission**

test_xgb_yhat <- predict(xgb_mdl,newdata = L0FeatureSet2$test$predictors,type = "raw")
xgb_submission <- cbind(Id=L0FeatureSet2$test$id,SalePrice=exp(test_xgb_yhat))
write.csv(xgb_submission,file="xgb_sumbission.csv",row.names=FALSE)

2.4 ranger model

ranger model 的流程、算法和 xgboost、gbm model 相同,具体解释不再赘述,仅将主要流程和语法列举如下:

set caret training parameters

CARET.TRAIN.PARMS <- list(method="ranger")   
CARET.TUNE.GRID <-  expand.grid(mtry=2*as.integer(sqrt(ncol(L0FeatureSet1$train$predictors))))
MODEL.SPECIFIC.PARMS <- list(verbose=0,num.trees=500)

model specific training parameter

CARET.TRAIN.CTRL <- trainControl(method="none",
                             verboseIter=FALSE,
                             classProbs=FALSE)

CARET.TRAIN.OTHER.PARMS <- list(trControl=CARET.TRAIN.CTRL,
                       tuneGrid=CARET.TUNE.GRID,
                       metric="RMSE")

generate Level 1 features

rngr_set <- llply(data_folds,trainOneFold,L0FeatureSet1)

final model fit

rngr_mdl <- do.call(train, c(list(x=L0FeatureSet1$train$predictors,y=L0FeatureSet1$train$y),
             CARET.TRAIN.PARMS,
             MODEL.SPECIFIC.PARMS,
             CARET.TRAIN.OTHER.PARMS))

CV Error Estimate

cv_y <- do.call(c,lapply(rngr_set,function(x){x$predictions$y}))
cv_yhat <- do.call(c,lapply(rngr_set,function(x){x$predictions$yhat}))
rmse(cv_y,cv_yhat)
cat("Average CV rmse:",mean(do.call(c,lapply(rngr_set,function(x){x$score}))))

create test submission

test_rngr_yhat <- predict(rngr_mdl,newdata = L0FeatureSet1$test$predictors,type = "raw")
rngr_submission <- cbind(Id=L0FeatureSet1$test$id,SalePrice=exp(test_rngr_yhat))
write.csv(rngr_submission,file="rngr_sumbission.csv",row.names=FALSE)

3. Level 1 Model Training

根据之前的结果,gbm_set、xgb_set、rngr_set 分别指代的是 gbm、xgb、rngr 模型下取出来的 features, 获取使用三个模型的预测值。

gbm_yhat <- do.call(c,lapply(gbm_set,function(x){x$predictions$yhat}))
xgb_yhat <- do.call(c,lapply(xgb_set,function(x){x$predictions$yhat}))
rngr_yhat <- do.call(c,lapply(rngr_set,function(x){x$predictions$yhat}))

3.1 Create predictions For Level 1 Model

问题:如下这一段没有读懂具体语法。

L1FeatureSet$train$id <- do.call(c,lapply(gbm_set,function(x){x$predictions$ID}))
L1FeatureSet$train$y <- do.call(c,lapply(gbm_set,function(x){x$predictions$y}))
predictors <- data.frame(gbm_yhat,xgb_yhat,rngr_yhat)
predictors_rank <- t(apply(predictors,1,rank))
colnames(predictors_rank) <- paste0("rank_",names(predictors))
L1FeatureSet$train$predictors <- predictors #cbind(predictors,predictors_rank)
L1FeatureSet$test$id <- gbm_submission[,"Id"]
L1FeatureSet$test$predictors <- data.frame(gbm_yhat=test_gbm_yhat, xgb_yhat=test_xgb_yhat, rngr_yhat=test_rngr_yhat)

3.2 Neural Net Model

同之前 Level 0 Model 的大致流程:

** set caret training parameters**

CARET.TRAIN.PARMS <- list(method="nnet") 
CARET.TUNE.GRID <-  NULL  # NULL 使用了默认的微调参数

model specific training parameter

CARET.TRAIN.CTRL <- trainControl(method="repeatedcv",
                             number=5,
                             repeats=1,
                             verboseIter=FALSE)
CARET.TRAIN.OTHER.PARMS <- list(trControl=CARET.TRAIN.CTRL,
                        maximize=FALSE,
                       tuneGrid=CARET.TUNE.GRID,
                       tuneLength=7,
                       metric="RMSE")
# Other model specific parameters
MODEL.SPECIFIC.PARMS <- list(verbose=FALSE,linout=TRUE,trace=FALSE) 

train the model

l1_nnet_mdl <- do.call(train, 
                       c(list(x=L1FeatureSet$train$predictors, y=L1FeatureSet$train$y),
                        CARET.TRAIN.PARMS,
                        MODEL.SPECIFIC.PARMS,
                        CARET.TRAIN.OTHER.PARMS))

附录

For additional information on model stacking see these references:

  1. MLWave: Kaggle Ensembling Guide
  2. Kaggle Forum Posting: Stacking
  3. Winning Data Science Competitions: Jeong-Yoon Lee This talk is about 90 minutes long. The sections relevant to model stacking are discussed in these segments (h:mm:ss to h:mm:ss): 1:05:25 to 1:12:15 and 1:21:30 to 1:27:00.
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,937评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,503评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,712评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,668评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,677评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,601评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,975评论 3 396
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,637评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,881评论 1 298
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,621评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,710评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,387评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,971评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,947评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,189评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,805评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,449评论 2 342

推荐阅读更多精彩内容