集成模型方法

star2017 1年前 ⋅ 193 阅读
作者 | Salma Elshahawy, MSc.编译 | VK

来源 | Towards Data Science

介绍
我们之前讨论了一些利用机器学习(ML)模型预测能力的常用方法。这些方法主要通过将数据分解成特定的方案来提高模型的可推广性。
集成模型方法
然而，有更先进的方法来提高模型的性能，如集成算法。在这篇文章中，我们将讨论和比较多种集成算法的性能。所以，让我们开始吧！
集成方法旨在将多个基估计器的预测组合起来，而不是单一估计器，从而利用模型的泛化和鲁棒性。

预备知识
  1. 我将使用托管在Kaggle上的UCIML公共存储库中的toy数据集(https://www.kaggle.com/uciml/pima-indians-diabetes-database)；它有九列，包括目标变量。如果你想使用，GitHub笔记本链接如下：https://github.com/salma71/blog_post/blob/master/Evaluate_ML_models_with_ensamble.ipynb。
  2. 在处理时，我使用kaggle api获取数据集。如果你在Kaggle上没有帐户，只需下载数据集，并跳过笔记本中的这一部分。
我获取数据并将其下载到google colab，确保在运行它之前生成自己的令牌。
  1. 在构建模型之前，我对数据集做了一些基本的预处理，比如插补缺失的数据，以避免错误。
  2. 我创建了两个单独的笔记本，一个用来比较前三个集成模型。第二种方法是使用MLens库实现堆叠集成。

集成方法
集成模型方法
集成是建立各种模型的过程，然后将它们混合以产生更好的预测。与单个模型相比，集成能够实现更精确的预测。在ML比赛中，利用集成通常会带来优势。你可以找到CrowdFlower winners的团队采访，他们用集成赢得了比赛：https://medium.com/kaggle-blog/crowdflower-winners-interview-3rd-place-team-quartet-cead438f8918

1.Bagging — Bootstrap聚合：
Bootstrap聚合倾向于从不同的子样本构建多个模型(使用相同类型的算法)，并从训练数据集中替换。
Bagging是将多个好的模型集成在一起，以减少模型的方差。
集成模型方法
Bagging有三种类型的集成，如下所示：

1.1Bagging决策树

Bagging在产生高方差预测的算法中表现最好。在下面的示例中，我们将在sklearn库中开发BaggingClassifier和DecisionTreeClassifier的组合。
请注意，由于随机学习的性质，结果可能会有所不同！
from sklearn.ensemble import BaggingClassifier

tree = DecisionTreeClassifier()
bagging_clf = BaggingClassifier(base_estimator=tree, n_estimators=1500, random_state=42)
bagging_clf.fit(X_train, y_train)

evaluate(bagging_clf, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[350   0] [  0 187]] ACCURACY SCORE:
1.0000
CLASSIFICATION REPORT:
0      1  accuracy  macro avg  weighted avg
precision    1.0    1.0       1.0        1.0           1.0
recall       1.0    1.0       1.0        1.0           1.0
f1-score     1.0    1.0       1.0        1.0           1.0
support    350.0  187.0       1.0      537.0         537.0
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[126  24] [ 38  43]] ACCURACY SCORE:
0.7316
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.768293   0.641791  0.731602    0.705042      0.723935
recall       0.840000   0.530864  0.731602    0.685432      0.731602
f1-score     0.802548   0.581081  0.731602    0.691814      0.724891
support    150.000000  81.000000  0.731602  231.000000    231.000000

1.2 随机森林(RF)

随机森林(RF)是一种元估计器，它在多个子样本上拟合不同的决策树分类器，并估计其平均准确率。
子样本大小是恒定的，但是如果bootstrap=True(默认)，样本将被替换。
现在，让我们来尝试一下随机森林(RF)模型。RF的工作原理与bagged decision tree类类似；但是，它降低了单个分类器之间的相关性。RF只考虑每个分割特征的随机子集，而不是采用贪婪的方法来选择最佳分割点。
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(random_state=42, n_estimators=1000)
rf_clf.fit(X_train, y_train)
evaluate(rf_clf, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[350   0] [  0 187]] ACCURACY SCORE:
1.0000
CLASSIFICATION REPORT:
0      1  accuracy  macro avg  weighted avg
precision    1.0    1.0       1.0        1.0           1.0
recall       1.0    1.0       1.0        1.0           1.0
f1-score     1.0    1.0       1.0        1.0           1.0
support    350.0  187.0       1.0      537.0         537.0
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[127  23] [ 38  43]] ACCURACY SCORE:
0.7359
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.769697   0.651515  0.735931    0.710606      0.728257
recall       0.846667   0.530864  0.735931    0.688765      0.735931
f1-score     0.806349   0.585034  0.735931    0.695692      0.728745
support    150.000000  81.000000  0.735931  231.000000    231.000000

1.3额外树（Extra trees，ET）

额外树(ET)是对Bagging的一种改进。ExtraTreesClassifier()是sklearn库中的一个类，它创建一个元估计器来拟合不同子样本的几个随机决策树(又称ET)。然后，ET计算子样本之间的平均预测。这样可以提高模型的准确率并控制过拟合。
from sklearn.ensemble import ExtraTreesClassifier

ex_tree_clf = ExtraTreesClassifier(n_estimators=1000, max_features=7, random_state=42)
ex_tree_clf.fit(X_train, y_train)
evaluate(ex_tree_clf, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[350   0] [  0 187]] ACCURACY SCORE:
1.0000
CLASSIFICATION REPORT:
0      1  accuracy  macro avg  weighted avg
precision    1.0    1.0       1.0        1.0           1.0
recall       1.0    1.0       1.0        1.0           1.0
f1-score     1.0    1.0       1.0        1.0           1.0
support    350.0  187.0       1.0      537.0         537.0
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[124  26] [ 32  49]] ACCURACY SCORE:
0.7489
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.794872   0.653333  0.748918    0.724103      0.745241
recall       0.826667   0.604938  0.748918    0.715802      0.748918
f1-score     0.810458   0.628205  0.748918    0.719331      0.746551
support    150.000000  81.000000  0.748918  231.000000    231.000000

2. Boosting
Boosting是另一种构建多个模型(同样来自同一类型)的技术；但是，每个模型在模型序列中修复前一个模型的预测错误。Boosting主要用于平衡有监督机器学习模型中的偏差和方差。Boosting是一种将弱学习者转化为强学习者的算法。
Boosting算法从弱估计器中建立了一个连续的基估计器，从而减小了组合估计器的偏差。
集成模型方法

2.1 AdaBoost(AD)

AdaBoost(AD)通过分类特征来给数据集实例添加权重。这使得算法能够在构建后续模型时考虑这些特征。
from sklearn.ensemble import AdaBoostClassifier
ada_boost_clf = AdaBoostClassifier(n_estimators=30)
ada_boost_clf.fit(X_train, y_train)
evaluate(ada_boost_clf, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[314  36] [ 49 138]] ACCURACY SCORE:
0.8417
CLASSIFICATION REPORT:
0           1  accuracy   macro avg  weighted avg
precision    0.865014    0.793103  0.841713    0.829059  0.839972
recall       0.897143    0.737968  0.841713    0.817555  0.841713
f1-score     0.880785    0.764543  0.841713    0.822664  0.840306
support    350.000000  187.000000  0.841713  537.000000  537.000000
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[129  21] [ 36  45]] ACCURACY SCORE:
0.7532
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.781818   0.681818  0.753247    0.731818      0.746753
recall       0.860000   0.555556  0.753247    0.707778      0.753247
f1-score     0.819048   0.612245  0.753247    0.715646      0.746532
support    150.000000  81.000000  0.753247  231.000000    231.000000

2.2 随机梯度增强(SGB)

随机梯度增强(SGB)是一种先进的集成算法。在每次迭代中，SGB从训练集中随机抽取一个子样本(无需替换)。然后利用子样本对基础模型(学习者)进行拟合，直到误差趋于稳定。
from sklearn.ensemble import GradientBoostingClassifier

grad_boost_clf = GradientBoostingClassifier(n_estimators=100, random_state=42)
grad_boost_clf.fit(X_train, y_train)
evaluate(grad_boost_clf, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[339  11] [ 26 161]] ACCURACY SCORE:
0.9311
CLASSIFICATION REPORT:
0           1  accuracy   macro avg  weighted avg
precision    0.928767    0.936047  0.931099    0.932407  0.931302
recall       0.968571    0.860963  0.931099    0.914767  0.931099
f1-score     0.948252    0.896936  0.931099    0.922594  0.930382
support    350.000000  187.000000  0.931099  537.000000  537.000000
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[126  24] [ 37  44]] ACCURACY SCORE:
0.7359
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.773006   0.647059  0.735931    0.710032      0.728843
recall       0.840000   0.543210  0.735931    0.691605      0.735931
f1-score     0.805112   0.590604  0.735931    0.697858      0.729895
support    150.000000  81.000000  0.735931  231.000000    231.000000

3.投票
投票是一套同样表现良好的模式，以平衡他们的弱点。投票采用三种方法进行投票程序，硬、软和加权。
  1. 硬投票-大多数的类标签预测。
  2. 软投票-预测概率之和的argmax。
  3. 加权投票-预测概率加权和的argmax。
集成模型方法
投票很简单，也很容易实现。首先，它从数据集中创建两个独立的模型(可能更多，取决于用例)。在引入新数据时，采用投票分类器对模型进行包装，并对子模型的预测进行平均。
from sklearn.ensemble import VotingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC

estimators = [] log_reg = LogisticRegression(solver=’liblinear’)
estimators.append((‘Logistic’, log_reg))

tree = DecisionTreeClassifier()
estimators.append((‘Tree’, tree))

svm_clf = SVC(gamma=’scale’)
estimators.append((‘SVM’, svm_clf))

voting = VotingClassifier(estimators=estimators)
voting.fit(X_train, y_train)

evaluate(voting, X_train, X_test, y_train, y_test)

TRAINIG RESULTS:
===============================
CONFUSION MATRIX:
[[328  22] [ 75 112]] ACCURACY SCORE:
0.8194
CLASSIFICATION REPORT:
0           1  accuracy   macro avg  weighted avg
precision    0.813896    0.835821  0.819367    0.824858  0.821531
recall       0.937143    0.598930  0.819367    0.768037  0.819367
f1-score     0.871182    0.697819  0.819367    0.784501  0.810812
support    350.000000  187.000000  0.819367  537.000000  537.000000
TESTING RESULTS:
===============================
CONFUSION MATRIX:
[[135  15] [ 40  41]] ACCURACY SCORE:
0.7619
CLASSIFICATION REPORT:
0          1  accuracy   macro avg  weighted avg
precision    0.771429   0.732143  0.761905    0.751786      0.757653
recall       0.900000   0.506173  0.761905    0.703086      0.761905
f1-score     0.830769   0.598540  0.761905    0.714655      0.749338
support    150.000000  81.000000  0.761905  231.000000    231.000000

4.堆叠
集成模型方法
堆叠的工作原理与投票集成相同。然而，堆叠可以调整子模型预测顺序——作为元模型的输入，以提高性能。换句话说，堆叠从每个模型的算法中产生预测;随后，元模型使用这些预测作为输入(权重)来创建最终输出。
堆叠的优势在于它可以结合不同的强大的学习者，与独立的模型相比它作出精确和稳健的预测。
sklearn库在集成模块下有StackingClassifier()。但是，我将使用ML集成库实现堆叠集成。
为了在堆叠和以前的集成之间做一个公平的比较，我用10折重新计算了以前的准确率。
from mlens.ensemble import SuperLearner

# 创建基础模型列表
def get_models():
models = list()
models.append(LogisticRegression(solver=’liblinear’))
models.append(DecisionTreeClassifier())
models.append(SVC(gamma=’scale’, probability=True))
models.append(GaussianNB())
models.append(KNeighborsClassifier())
models.append(AdaBoostClassifier())
models.append(BaggingClassifier(n_estimators=10))
models.append(RandomForestClassifier(n_estimators=10))
models.append(ExtraTreesClassifier(n_estimators=10))
return models

def get_super_learner(X):
ensemble = SuperLearner(scorer=accuracy_score,
folds = 10,
random_state=41)
model = get_models()
ensemble.add(model)
# 添加一些层
ensemble.add([LogisticRegression(), RandomForestClassifier()])
ensemble.add([LogisticRegression(), SVC()])
# 添加元模型
ensemble.add_meta(SVC())
return ensemble

# 超级学习者
ensemble = get_super_learner(X_train)
# 拟合
ensemble.fit(X_train, y_train)
# 摘要
print(ensemble.data)
# 预测
yhat = ensemble.predict(X_test)
print(‘Super Learner: %.3f’ % (accuracy_score(y_test, yhat) * 100))

集成模型方法
ACCURACY SCORE ON TRAIN: 83.24022346368714
ACCURACY SCORE ON TEST: 76.62337662337663

比较性能
import plotly.graph_objects as go

fig = go.Figure()
fig.add_trace(go.Bar(
x = test[‘Algo’],
y = test[‘Train’],
text = test[‘Train’],
textposition=’auto’,
name = ‘Accuracy on Train set’,
marker_color = ‘indianred’))

fig.add_trace(go.Bar(
x = test[‘Algo’],
y = test[‘Test’],
text = test[‘Test’],
textposition=’auto’,
name = ‘Accuracy on Test set’,
marker_color = ‘lightsalmon’))

fig.update_traces(texttemplate=’%{text:.2f}’)
fig.update_layout(title_text=’Comprehensive comparasion between ensembles on Train and Test set’)
fig.show()

集成模型方法
如图所示，堆叠集合在测试集上表现良好，最高分类准确率为76.623%。

5.结论和收获
我们已经探索了几种类型的集成，并学习如何以正确的方式实现它们，以扩展模型的预测能力。我们还总结了一些需要考虑的要点：
  1. 堆叠算法在精度、鲁棒性等方面都有提高，具有较好的泛化能力。
  2. 当我们想要设置性能良好的模型以平衡其弱点时，可以使用投票。
  3. Boosting是一个很好的集成方法，它只是把多个弱的学习者结合起来，得到一个强大的学习者。
  4. 当你想通过组合不同的好模型来生成方差较小的模型时，可以考虑Bagging—减少过拟合。
  5. 选择合适的组合取决于业务问题和你想要的结果。

本文来自proginn.com，观点不代表一起大数据-技术文章心得立场，如若转载，请注明出处：https://jishuin.proginn.com/p/763bfbd5c09b

更多内容请访问：IT源点

注意：本文归作者所有，未经作者允许，不得转载

#集成方法
阅读全部
相关文章推荐
  • 1

全部评论: 0 条

    我有话说: