Kaggle機(jī)器學(xué)習(xí)之模型融合（stacking）心得

　　原標(biāo)題：Kaggle機(jī)器學(xué)習(xí)之模型融合（stacking）心得 雷鋒網(wǎng) AI科技評(píng)論按，本文作者吉他

　　雷鋒網(wǎng) AI科技評(píng)論按，本文作者吉他手，雷鋒網(wǎng) AI科技評(píng)論獲其授權(quán)發(fā)布。

　　在學(xué)習(xí)過(guò)程中感謝@貝爾塔模型融合方法，以及如何在 Kaggle 首戰(zhàn)中進(jìn)入前 10%這篇文章（作者是章凌豪）。對(duì)于兩位提供的信息，感激不盡。同時(shí)還有Kaggle上一些關(guān)于ensemble的文章和代碼，比如這篇（）。

　　本文適用于被stacking折磨的死去活來(lái)的新手，在網(wǎng)上為數(shù)不多的stacking內(nèi)容里，我已經(jīng)假設(shè)你早已經(jīng)看過(guò)了上述所提到的那幾篇有用的文章了。但是，看完之后內(nèi)心還是臥槽的。我希望下面的內(nèi)容能成為，你在學(xué)習(xí)stacking的曲折道路上的一個(gè)小火把，給你提供一些微弱的光亮。

　　本文以Kaggle的Titanic（泰坦尼克預(yù)測(cè)）入門(mén)比賽來(lái)講解stacking的應(yīng)用（兩層�。�。

　　而數(shù)據(jù)的列數(shù)就看你保留了多少個(gè)feature了，因人而異。我自己的train保留了 7+1（1是預(yù)測(cè)列）。

　　如果一下子看不懂，就麻煩了，在接下來(lái)的一段時(shí)間內(nèi)，你就會(huì)臥槽臥槽地持續(xù)懵逼......

　　因?yàn)檫@張圖極具‘誤導(dǎo)性’。（注意！我沒(méi)說(shuō)這圖是錯(cuò)的，盡管它就是錯(cuò)的�。。〉�是在網(wǎng)上為數(shù)不多教學(xué)里有張無(wú)碼圖就不錯(cuò)啦，感恩吧，我這個(gè)小弱雞）。

　　這樣的動(dòng)作走5次！ 長(zhǎng)度為178 的預(yù)測(cè)值 X 5 = 890 預(yù)測(cè)值，剛好和Train data長(zhǎng)度吻合。這個(gè)890預(yù)測(cè)值是Model 1產(chǎn)生的，我們先存著，因?yàn)�，一�?huì)讓它將是第二層模型的訓(xùn)練來(lái)源。

　　重點(diǎn)：這一步產(chǎn)生的預(yù)測(cè)值我們可以轉(zhuǎn)成 890 X 1 （890 行，1列），記作 P1 (大寫(xiě)P)

　　接著說(shuō) Test Data 有 418 行。(請(qǐng)對(duì)應(yīng)圖中的下層部分，對(duì)對(duì)對(duì)，綠綠的那些框框）

　　每1次的fold，713行 小train訓(xùn)練出來(lái)的Model 1要去預(yù)測(cè)我們?nèi)�部的Test Data（全部！因?yàn)門(mén)est Data沒(méi)有加入5-fold，所以每次都是全部�。�。此時(shí)，Model 1的預(yù)測(cè)結(jié)果是長(zhǎng)度為418的預(yù)測(cè)值。

　　這樣的動(dòng)作走5次！我們可以得到一個(gè) 5 X 418 的預(yù)測(cè)值矩陣。然后我們根據(jù)行來(lái)就平均值，最后得到一個(gè) 1 X 418 的平均預(yù)測(cè)值。

　　重點(diǎn)：這一步產(chǎn)生的預(yù)測(cè)值我們可以轉(zhuǎn)成 418 X 1 （418行，1列），記作 p1 (小寫(xiě)p)

　　最后 ，放出一張Python的Code，在網(wǎng)上為數(shù)不多的stacking內(nèi)容里， 這個(gè)幾行的code你也早就看過(guò)了吧，我之前一直卡在這里，現(xiàn)在加上一點(diǎn)點(diǎn)注解，希望對(duì)你有幫助：