作者：李祖賢，深圳大學，Datawhale高校群成員

對比過kaggle比賽上面的top10的模型，除了深度學習以外的模型基本上都是集成學習的產物。集成學習可謂是上分大殺器，今天就跟大家分享在Kaggle或者阿里天池上面大殺四方的數據科學比賽利器---集成學習。

一、什么是集成學習

• 正所謂“三個臭皮匠賽過諸葛亮”的道理，在機器學習數據挖掘的工程項目中，使用單一決策的弱分類器顯然不是一個明智的選擇，因為各種分類器在設計的時候都有自己的優勢和缺點，也就是說每個分類器都有自己工作偏向，那集成學習就是平衡各個分類器的優缺點，使得我們的分類任務完成的更加優秀。

• 在大多數情況下，這些基本模型本身的性能并不是非常好，這要么是因為它們具有較高的偏差（例如，低自由度模型），要么是因為他們的方差太大導致魯棒性不強（例如，高自由度模型）。集成方法的思想是通過將這些弱學習器的偏差和/或方差結合起來，從而創建一個「強學習器」（或「集成模型」），從而獲得更好的性能。

集成學習的方法：

• 1. 基于投票思想的多數票機制的集成分類器(MajorityVoteClassifier)

• 2. 于bagging思想的套袋集成技術(BaggingClassifier)

• 3. 基于boosting思想的自適應增強方法(Adaboost)

• 4. 分層模型集成框架stacking(疊加算法)

二、基于投票思想的集成分類器

以上是多數投票的流程圖：

• 分別訓練n個弱分類器。

• 對每個弱分類器輸出預測結果，并投票（如下圖）

• 每個樣本取投票數最多的那個預測為該樣本最終分類預測。

加載相關庫：

## 加載相關庫 from sklearn.datasets import load_iris # 加載數據 from sklearn.model_selection import train_test_split # 切分訓練集與測試集 from sklearn.preprocessing import StandardScaler # 標準化數據 from sklearn.preprocessing import LabelEncoder # 標簽化分類變量

初步處理數據

## 初步處理數據 iris = load_iris() X,y = iris.data[50:,[1,2]],iris.target[50:] le = LabelEncoder() y = le.fit_transform(y) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.5,random_state=1,stratify=y)

我們使用訓練集訓練三種不同的分類器：邏輯回歸 + 決策樹 + k-近鄰分類器

## 我們使用訓練集訓練三種不同的分類器：邏輯回歸 + 決策樹 + k-近鄰分類器 from sklearn.model_selection import cross_val_score # 10折交叉驗證評價模型 from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.neighbors import KNeighborsClassifier from sklearn.pipeline import Pipeline # 管道簡化工作流 clf1 = LogisticRegression(penalty='l2',C=0.001,random_state=1) clf2 = DecisionTreeClassifier(max_depth=1,criterion='entropy',random_state=0) clf3 = KNeighborsClassifier(n_neighbors=1,p=2,metric="minkowski") pipe1 = Pipeline([['sc',StandardScaler()],['clf',clf1]]) pipe3 = Pipeline([['sc',StandardScaler()],['clf',clf3]]) clf_labels = ['Logistic regression','Decision tree','KNN'] print('10-folds cross validation :\n') for clf,label in zip([pipe1,clf2,pipe3],clf_labels):scores = cross_val_score(estimator=clf,X=X_train,y=y_train,cv=10,scoring='roc_auc')print("ROC AUC: %0.2f(+/- %0.2f)[%s]"%(scores.mean(),scores.std(),label))

我們使用MajorityVoteClassifier集成：

## 我們使用MajorityVoteClassifier集成： from sklearn.ensemble import VotingClassifier mv_clf = VotingClassifier(estimators=[('pipe1',pipe1),('clf2',clf2),('pipe3',pipe3)],voting='soft') clf_labels += ['MajorityVoteClassifier'] all_clf = [pipe1,clf2,pipe3,mv_clf] print('10-folds cross validation :\n') for clf,label in zip(all_clf,clf_labels):scores = cross_val_score(estimator=clf,X=X_train,y=y_train,cv=10,scoring='roc_auc')print("ROC AUC: %0.2f(+/- %0.2f)[%s]"%(scores.mean(),scores.std(),label)) ## 對比下面結果，可以得知多數投票方式的分類算法，抗差能力更強。

使用ROC曲線評估集成分類器：

## 使用ROC曲線評估集成分類器 from sklearn.metrics import roc_curve from sklearn.metrics import auccolors = ['black','orange','blue','green'] linestyles = [':','--','-.','-'] plt.figure(figsize=(10,6)) for clf,label,clr,ls in zip(all_clf,clf_labels,colors,linestyles):y_pred = clf.fit(X_train,y_train).predict_proba(X_test)[:,1]fpr,tpr,trhresholds = roc_curve(y_true=y_test,y_score=y_pred)roc_auc = auc(x=fpr,y=tpr)plt.plot(fpr,tpr,color=clr,linestyle=ls,label='%s (auc=%0.2f)'%(label,roc_auc)) plt.legend(loc='lower right') plt.plot([0,1],[0,1],linestyle='--',color='gray',linewidth=2) plt.xlim([-0.1,1.1]) plt.ylim([-0.1,1.1]) plt.xlabel('False positive rate (FPR)') plt.xlabel('True positive rate (TPR)') plt.show()

三、基于bagging思想的套袋集成技術

套袋方法是由柳.布萊曼在1994年的技術報告中首先提出并證明了套袋方法可以提高不穩定模型的準確度的同時降低過擬合的程度(可降低方差)。

套袋方法的流程如下：

注意：套袋方法與投票方法的不同：
投票機制在訓練每個分類器的時候都是用相同的全部樣本，而Bagging方法則是使用全部樣本的一個隨機抽樣，每個分類器都是使用不同的樣本進行訓練。其他都是跟投票方法一模一樣！

• 對訓練集隨機采樣

• 分別基于不同的樣本集合訓練n個弱分類器。

• 對每個弱分類器輸出預測結果，并投票（如下圖）

• 每個樣本取投票數最多的那個預測為該樣本最終分類預測。

我們使用葡萄酒數據集進行建模(數據處理)：

## 我們使用葡萄酒數據集進行建模(數據處理) df_wine = pd.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/wine/wine.data',header=None) df_wine.columns = ['Class label', 'Alcohol','Malic acid', 'Ash','Alcalinity of ash','Magnesium', 'Total phenols','Flavanoids', 'Nonflavanoid phenols','Proanthocyanins','Color intensity', 'Hue','OD280/OD315 of diluted wines','Proline'] df_wine = df_wine[df_wine['Class label'] != 1] # drop 1 class y = df_wine['Class label'].values X = df_wine[['Alcohol','OD280/OD315 of diluted wines']].values from sklearn.model_selection import train_test_split # 切分訓練集與測試集 from sklearn.preprocessing import LabelEncoder # 標簽化分類變量 le = LabelEncoder() y = le.fit_transform(y) X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=1,stratify=y)

我們使用單一決策樹分類：

## 我們使用單一決策樹分類： tree = DecisionTreeClassifier(criterion='entropy',random_state=1,max_depth=None) #選擇決策樹為基本分類器 from sklearn.metrics import accuracy_score tree = tree.fit(X_train,y_train) y_train_pred = tree.predict(X_train) y_test_pred = tree.predict(X_test) tree_train = accuracy_score(y_train,y_train_pred) tree_test = accuracy_score(y_test,y_test_pred) print('Decision tree train/test accuracies %.3f/%.3f' % (tree_train,tree_test))

我們使用BaggingClassifier分類：

## 我們使用BaggingClassifier分類： from sklearn.ensemble import BaggingClassifier tree = DecisionTreeClassifier(criterion='entropy',random_state=1,max_depth=None) #選擇決策樹為基本分類器 bag = BaggingClassifier(base_estimator=tree,n_estimators=500,max_samples=1.0,max_features=1.0,bootstrap=True,bootstrap_features=False,n_jobs=1,random_state=1) from sklearn.metrics import accuracy_score bag = bag.fit(X_train,y_train) y_train_pred = bag.predict(X_train) y_test_pred = bag.predict(X_test) bag_train = accuracy_score(y_train,y_train_pred) bag_test = accuracy_score(y_test,y_test_pred) print('Bagging train/test accuracies %.3f/%.3f' % (bag_train,bag_test))

我們可以對比兩個準確率，測試準確率較之決策樹得到了顯著的提高

我們來對比下這兩個分類方法上的差異：

## 我們來對比下這兩個分類方法上的差異 x_min = X_train[:, 0].min() - 1 x_max = X_train[:, 0].max() + 1 y_min = X_train[:, 1].min() - 1 y_max = X_train[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),np.arange(y_min, y_max, 0.1)) f, axarr = plt.subplots(nrows=1, ncols=2,sharex='col',sharey='row',figsize=(12, 6)) for idx, clf, tt in zip([0, 1],[tree, bag],['Decision tree', 'Bagging']):clf.fit(X_train, y_train)Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)axarr[idx].contourf(xx, yy, Z, alpha=0.3)axarr[idx].scatter(X_train[y_train==0, 0],X_train[y_train==0, 1],c='blue', marker='^')axarr[idx].scatter(X_train[y_train==1, 0],X_train[y_train==1, 1],c='green', marker='o')axarr[idx].set_title(tt) axarr[0].set_ylabel('Alcohol', fontsize=12) plt.tight_layout() plt.text(0, -0.2,s='OD280/OD315 of diluted wines',ha='center',va='center',fontsize=12,transform=axarr[1].transAxes) plt.show()

從結果圖看起來，三個節點深度的決策樹分段線性決策邊界在Bagging集成中看起來更加平滑。

四、基于boosting思想的自適應增強方法

Adaboost最初的想法是由Robert E. Schapire在1990年提出的，這個想法叫做自適應增強方法。

與Bagging相比，Boosting思想可以降低偏差。

原始的增強過程具體的實現如下：

AdaBoost的具體步驟如下：

如更新權重如下圖：

我們用單一決策樹建模：

## 我們用單一決策樹建模： from sklearn.ensemble import AdaBoostClassifier tree = DecisionTreeClassifier(criterion='entropy',random_state=1,max_depth=1) from sklearn.metrics import accuracy_score tree = tree.fit(X_train,y_train) y_train_pred = tree.predict(X_train) y_test_pred = tree.predict(X_test) tree_train = accuracy_score(y_train,y_train_pred) tree_test = accuracy_score(y_test,y_test_pred) print('Decision tree train/test accuracies %.3f/%.3f' % (tree_train,tree_test))

我們使用Adaboost集成建模：

## 我們使用Adaboost集成建模： ada = AdaBoostClassifier(base_estimator=tree,n_estimators=500,learning_rate=0.1,random_state=1) ada = ada.fit(X_train,y_train) y_train_pred = ada.predict(X_train) y_test_pred = ada.predict(X_test) ada_train = accuracy_score(y_train,y_train_pred) ada_test = accuracy_score(y_test,y_test_pred) print('Adaboost train/test accuracies %.3f/%.3f' % (ada_train,ada_test))

我們觀察下Adaboost與決策樹的異同：

## 我們觀察下Adaboost與決策樹的異同 x_min = X_train[:, 0].min() - 1 x_max = X_train[:, 0].max() + 1 y_min = X_train[:, 1].min() - 1 y_max = X_train[:, 1].max() + 1 xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1),np.arange(y_min, y_max, 0.1)) f, axarr = plt.subplots(nrows=1, ncols=2,sharex='col',sharey='row',figsize=(12, 6)) for idx, clf, tt in zip([0, 1],[tree, ada],['Decision tree', 'Adaboost']):clf.fit(X_train, y_train)Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape)axarr[idx].contourf(xx, yy, Z, alpha=0.3)axarr[idx].scatter(X_train[y_train==0, 0],X_train[y_train==0, 1],c='blue', marker='^')axarr[idx].scatter(X_train[y_train==1, 0],X_train[y_train==1, 1],c='red', marker='o')axarr[idx].set_title(tt) axarr[0].set_ylabel('Alcohol', fontsize=12) plt.tight_layout() plt.text(0, -0.2,s='OD280/OD315 of diluted wines',ha='center',va='center',fontsize=12,transform=axarr[1].transAxes) plt.show()

從結果圖看起來，Adaboost決策邊界比單層決策樹復雜得多！

五、分層模型集成框架stacking（疊加算法）

Stacking集成算法可以理解為一個兩層的集成，第一層含有一個分類器，把預測的結果(元特征)提供給第二層， 而第二層的分類器通常是邏輯回歸，他把一層分類器的結果當做特征做擬合輸出預測結果。

過程如下圖:

標準的Stacking，也叫Blending如下圖：

但是，標準的Stacking會導致信息泄露，所以推薦以下Satcking算法：

由于目前sklearn沒有Stacking相關的類，因此我們使用mlxtend庫！！！！

詳細代碼內容查看：

http://rasbt.github.io/mlxtend/user_guide/classifier/StackingClassifier/

http://rasbt.github.io/mlxtend/user_guide/classifier/StackingCVClassifier/

1. 簡單堆疊3折CV分類：

## 1. 簡單堆疊3折CV分類 from sklearn import datasetsiris = datasets.load_iris() X, y = iris.data[:, 1:3], iris.target from sklearn.model_selection import cross_val_score 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 StackingCVClassifierRANDOM_SEED = 42clf1 = KNeighborsClassifier(n_neighbors=1) clf2 = RandomForestClassifier(random_state=RANDOM_SEED) clf3 = GaussianNB() lr = LogisticRegression()# Starting from v0.16.0, StackingCVRegressor supports # `random_state` to get deterministic result. sclf = StackingCVClassifier(classifiers=[clf1, clf2, clf3], # 第一層分類器meta_classifier=lr, # 第二層分類器random_state=RANDOM_SEED)print('3-fold cross validation:\n')for clf, label in zip([clf1, clf2, clf3, sclf], ['KNN', 'Random Forest', 'Naive Bayes','StackingClassifier']):scores = cross_val_score(clf, X, y, cv=3, scoring='accuracy')print("Accuracy: %0.2f (+/- %0.2f) [%s]" % (scores.mean(), scores.std(), label))

我們畫出決策邊界：

## 我們畫出決策邊界 from mlxtend.plotting import plot_decision_regions import matplotlib.gridspec as gridspec import itertoolsgs = 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','StackingCVClassifier'],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) plt.show()

2.使用概率作為元特征：

## 2.使用概率作為元特征 clf1 = KNeighborsClassifier(n_neighbors=1) clf2 = RandomForestClassifier(random_state=1) clf3 = GaussianNB() lr = LogisticRegression()sclf = StackingCVClassifier(classifiers=[clf1, clf2, clf3],use_probas=True,meta_classifier=lr,random_state=42)print('3-fold cross validation:\n')for clf, label in zip([clf1, clf2, clf3, sclf],['KNN','Random Forest','Naive Bayes','StackingClassifier']):scores = cross_val_score(clf, X, y,cv=3, scoring='accuracy')print("Accuracy: %0.2f (+/- %0.2f) [%s]"% (scores.mean(), scores.std(), label))

3. 堆疊5折CV分類與網格搜索(結合網格搜索調參優化)：

## 3. 堆疊5折CV分類與網格搜索(結合網格搜索調參優化) 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 StackingCVClassifier# Initializing modelsclf1 = KNeighborsClassifier(n_neighbors=1) clf2 = RandomForestClassifier(random_state=RANDOM_SEED) clf3 = GaussianNB() lr = LogisticRegression()sclf = StackingCVClassifier(classifiers=[clf1, clf2, clf3],meta_classifier=lr,random_state=42)params = {'kneighborsclassifier__n_neighbors': [1, 5],'randomforestclassifier__n_estimators': [10, 50],'meta_classifier__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_)

如果我們打算多次使用回歸算法，我們要做的就是在參數網格中添加一個附加的數字后綴，如下所示：

## 如果我們打算多次使用回歸算法，我們要做的就是在參數網格中添加一個附加的數字后綴，如下所示： from sklearn.model_selection import GridSearchCV# Initializing modelsclf1 = KNeighborsClassifier(n_neighbors=1) clf2 = RandomForestClassifier(random_state=RANDOM_SEED) clf3 = GaussianNB() lr = LogisticRegression()sclf = StackingCVClassifier(classifiers=[clf1, clf1, clf2, clf3],meta_classifier=lr,random_state=RANDOM_SEED)params = {'kneighborsclassifier-1__n_neighbors': [1, 5],'kneighborsclassifier-2__n_neighbors': [1, 5],'randomforestclassifier__n_estimators': [10, 50],'meta_classifier__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_)

4.在不同特征子集上運行的分類器的堆疊：

## 4.在不同特征子集上運行的分類器的堆疊 ###不同的1級分類器可以適合訓練數據集中的不同特征子集。以下示例說明了如何使用scikit-learn管道和ColumnSelector： from sklearn.datasets import load_iris from mlxtend.classifier import StackingCVClassifier from mlxtend.feature_selection import ColumnSelector from sklearn.pipeline import make_pipeline from sklearn.linear_model import LogisticRegressioniris = load_iris() X = iris.data y = iris.targetpipe1 = make_pipeline(ColumnSelector(cols=(0, 2)), # 選擇第0,2列LogisticRegression()) pipe2 = make_pipeline(ColumnSelector(cols=(1, 2, 3)), # 選擇第1,2,3列LogisticRegression())sclf = StackingCVClassifier(classifiers=[pipe1, pipe2],meta_classifier=LogisticRegression(),random_state=42)sclf.fit(X, y)

5.ROC曲線 decision_function：

## 5.ROC曲線 decision_function ### 像其他scikit-learn分類器一樣，它StackingCVClassifier具有decision_function可用于繪制ROC曲線的方法。 ### 請注意，decision_function期望并要求元分類器實現decision_function。 from sklearn import model_selection from sklearn.linear_model import LogisticRegression from sklearn.neighbors import KNeighborsClassifier from sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier from mlxtend.classifier import StackingCVClassifier from sklearn.metrics import roc_curve, auc from sklearn.model_selection import train_test_split from sklearn import datasets from sklearn.preprocessing import label_binarize from sklearn.multiclass import OneVsRestClassifieriris = datasets.load_iris() X, y = iris.data[:, [0, 1]], iris.target# Binarize the output y = label_binarize(y, classes=[0, 1, 2]) n_classes = y.shape[1]RANDOM_SEED = 42X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=RANDOM_SEED)clf1 = LogisticRegression() clf2 = RandomForestClassifier(random_state=RANDOM_SEED) clf3 = SVC(random_state=RANDOM_SEED) lr = LogisticRegression()sclf = StackingCVClassifier(classifiers=[clf1, clf2, clf3],meta_classifier=lr)# Learn to predict each class against the other classifier = OneVsRestClassifier(sclf) y_score = classifier.fit(X_train, y_train).decision_function(X_test)# Compute ROC curve and ROC area for each class fpr = dict() tpr = dict() roc_auc = dict() for i in range(n_classes):fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])roc_auc[i] = auc(fpr[i], tpr[i])# Compute micro-average ROC curve and ROC area fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel()) roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])plt.figure() lw = 2 plt.plot(fpr[2], tpr[2], color='darkorange',lw=lw, label='ROC curve (area = %0.2f)' % roc_auc[2]) plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show()

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯獲取一折本站知識星球優惠券，復制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請掃碼進群（如果是博士或者準備讀博士請說明）：

總結

以上是生活随笔為你收集整理的【机器学习基础】浅析机器学习集成学习与模型融合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。