模型融合的方法

集成学习：通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统、基于委员会的学习等。（集成学习不是只有同质学习器的集成，还有异质学习器的集成）

模型融合：通过多个模型共同决策提升任务的效果，是一种基本可以稳定提升任务效果的方法。

融合原则：挑选效果尽可能好，而差异尽可能大的模型进行融合

常见方法：投票、求均值、stacking、blending

①voting（投票）法：

适用于分类任务，对多个学习器的预测结果进行投票，即少数服从多数。

投票方法有两种：普通投票&加权投票法。加权的权重可以人工主观设置或者根据模型评估分数来设置权重。投票法需要3个及3个以上的模型，同时要保证模型的多样性。

Voting可通过VotingClassifier和VotingRegressor使用。可以将基本模型列表作为参数，列表中的每个模型都必须是具有名称和模型的元组

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import VotingClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import LogisticRegression

# 创建数据集
X, y = make_classification(random_state=1)

# 模型列表
models = [('lr', LogisticRegression()), ('nb', GaussianNB())]

# 创建voting模型
model = VotingClassifier(models, voting='soft')

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))

②平均法：适用于回归、分类（针对概率）任务，对多个学习器的预测结果进行平均，平均法的好处在于平滑结果，从而减少过拟合，常见的平均法有三种：算数平均法、几何平均法和加权平均法。

假设有n个模型的预测结果 $\hat{y}$ ，则三类平均计算方式如下：

（1）算术平均法：

$\bar{\hat{y}}=\frac{1}{n}\left ( \hat{y_{1}}+ \hat{y_{2}}+\cdots + \hat{y_{n}} \right )$

（2）几何平均法：

$\bar{\hat{y}}=\sqrt[n]{\hat{y_{1}}\times \hat{y_{2}}\times \cdots \times \hat{y_{n}}}$

（3）加权平均法

$\bar{\hat{y}}=\frac{w_{1}\hat{y_{1}}+w_{2}\hat{y_{2}}+\cdots +w_{n}\hat{y_{n}}}{w_{1}+w_{2}+\cdots +w_{n}}$

几何平均法受极端的影响较算术平均法小，另外，关于加权平均法的权重，也可以人工主观或根据模型分数来设置，同时也建议尽量平均差异性小的模型们。

③排序法：如果模型评估标准是与排序或者阈值相关（如AUC），简单使用平均法并不见得都能取得较好的结果。

排序法的具体步骤：

（1）对预测结果进行排序

（2）对排序序号进行平均

（3）对平均排序序号进行归一化

③stacking：

思路：基于原始数据，训练多个基学习器，然后将基学习器的预测结果组合成新的数据集，去训练一个新的学习器。

stacking主要分为以下三类：

单层stacking

单层stacking是指在基学习器上只堆叠一层元学习器

基学习器可以是同质或异质的模型，而元学习器在传统做法中是选用逻辑回归模型，也能使用非线性模型作为元学习器，例如GBDT、KNN、NN、RF等

多层stacking

其他技术与stacking的结合

stacking也可以与无监督学习方法结合。

希望使用一个模型去融合模型，但是如果使用相同的数据去训练用于融合的模型，存在数据泄露的问题，导致过拟合，所以stacking采用交叉验证的方法缓解该问题。

步骤：

①n个模型把数据分成n分（可以任意划分，只要训练模型和融合模型分开）

②每次取其中的（n-1）份数据用于训练模型，用剩下的1份数据训练融合模型

③测试模型，所有的训练模型预测测试集，得到output求均值，然后传入融合模型，得到最终的结果。

Stacking需要和交叉验证搭配使用，也可以通过StackingClassifier和StackingRegressor使用，可以将基本模型作为模型的参数提供。

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import StackingClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression

# 创建数据集
X, y = make_classification(random_state=1)

# 模型列表
models = [('knn', KNeighborsClassifier()), ('tree', DecisionTreeClassifier())]

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))

④blending（交叉融合法）：基学习器和元学习器本质上都是用同一训练集训练的，这样就会造成信息泄露，从而导致元学习器过拟合数据集，blending的提出，对原先的数据集先划分出一个较小的留出集，比如10%训练集被当做留出集，那么blending用90%的数据做基学习器的训练，而10%留出集用作训练元学习器，这样基学习器和元学习器是用不同的数据集来训练的，解决数据泄露的问题。

步骤：

①将训练集划分为训练集和验证集

②blending不同模型的训练集是一样的（模型的精度高和模型间的差异性大都可以提升模型效果，所以可以采用一些采样方法和数据增强方法增加样本多样性）

③用训练集训练多个模型，用验证集训练融合模型，这里有两种方式训练融合模型，可以直接用均值，也可以采用带权重内的均值。

⑤boosting：在迭代过程中尝试纠先前模型所产生的错误，迭代次数越多集成产生的错误就越少，至少在数据支持的限制范围内并且在过渡拟合训练数据集之前。

Boosting想法最初是作为一种理论思想发展起来的，AdaBoost算法是第一个成功实现基于Boosting的集成算法的方法。

AdaBoost在加权训练数据集的版本上拟合决策树，以便树更多地关注先前成员出错的示例。AdaBoost不是完整的决策树，而是使用非常简单的树，在做出预测之前对一个输入变量做出单一决策。这些短树被称为决策树桩。

AdaBoost可通过AdaBoostClassifier和AdaBoostRegressor使用，它们默认使用决策树（决策树桩）作为基本模型，可以通过n_estimators参数指定要创建的树的数量。

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import AdaBoostClassifier

# 创建样例数据集
X, y = make_classification(random_state=1)

# 创建adaboost模型
model = AdaBoostClassifier(n_estimators=50)

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))

gradient boosting

Gradient Boosting是一个用于提升集成算法的框架，是对AdaBoosting的扩展。Gradient Boosting定义为统计框架下的加法模型，并允许使用任意损失函数以使其更加灵活，并允许使用损失惩罚（收缩）来减少过度拟合。

Gradient Boosting引入了Bagging的操作，例如训练数据集行和列的采样，称为随机梯度提升。

对于结构化或表格数据来说，Gradient Boosting一种非常成功的集成技术，尽管由于模型是按顺序添加的，因此拟合模型可能会很慢。已经开发了更有效的实现，如XGBoost、LightGBM。

Gradient Boosting在可以通过GradientBoostingClassifier和GradientBoostingRegressor使用，默认使用决策树作为基础模型。您可以通过n_estimators参数指定要创建的树的数量，通过learning_rate参数控制每棵树的贡献的学习率。

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import GradientBoostingClassifier

# 创建样例数据集
X, y = make_classification(random_state=1)

# 创建GradientBoosting模型
model = GradientBoostingClassifier(n_estimators=50)

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))

⑥bagging：通过采样训练数据集的样本，训练得到多样的模型，进而得到多样的预测结果，在结合模型的预测结果时，可以对单个模型预测结果进行投票或平均。

bagging的关键是对数据集的采样方法，常见的方式可以从行（样本）维度进行采样，这里是有放回采样

Bagging可通过BaggingClassifier和BaggingRegressor使用，默认情况下它们使用决策树作为基本模型，可以通过n_estimators参数指定要创建的树的数量。

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import BaggingClassifier

# 创建样例数据集
X, y = make_classification(random_state=1)

# 创建bagging模型
model = BaggingClassifier(n_estimators=50)

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))

random forest随机森林是bagging与树模型的结合：

随机森林集成训练数据集的不同引导样本上拟合决策树

随机森林还将对每个数据集的特征（列）进行采样

在构建每个决策树时，随机森林不是在选择分割点时考虑所有的特征，而是将特征限制为特征的随机子集。

随机森林集成可通过RandomForestClassifier和RandomForestRegressor类在 scikit-learn 中获得。您可以通过n_estimators参数指定要创建的树的数量，并通过max_features参数指定要在每个分割点考虑的随机选择的特征的数量。

from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import RandomForestClassifier

# 创建样例数据集
X, y = make_classification(random_state=1)

# 创建随机森林模型
model = RandomForestClassifier(n_estimators=50)

# 设置验证集数据划分方式
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)

# 验证模型精度
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1)

# 打印模型的精度
print('Mean Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))