阿里雲的金融風控-貸款違約預測_模型融合
阿新 • • 發佈:2020-09-11
模型融合
5.1 學習目標
將之前建模調參的結果進行模型融合。 嘗試多種融合方案,提交融合結果並打卡。(模型融合一般用於A榜比賽的尾聲和B榜比賽的全程)
5.2 內容介紹
模型融合是比賽後期上分的重要手段,特別是多人組隊學習的比賽中,將不同隊友的模型進行融合,可能會收穫意想不到的效果哦,往往模型相差越大且模型表現都不錯的前提下,模型融合後結果會有大幅提升,以下是模型融合的方式。
- 平均:
- 簡單平均法
- 加權平均法
- 投票:
- 簡單投票法
- 加權投票法
- 綜合:
- 排序融合
- log融合
- stacking:
- 構建多層模型,並利用預測結果再擬合預測。
- blending:
- 選取部分資料預測訓練得到預測結果作為新特徵,帶入剩下的資料中預測。Blending只有一層,而Stacking有多層
- boosting/bagging(在Task4中已經提及,就不再贅述)
5.3 stacking\blending詳解
- stacking 將若干基學習器獲得的預測結果,將預測結果作為新的訓練集來訓練一個學習器。如下圖 假設有五個基學習器,將資料帶入五基學習器中得到預測結果,再帶入模型六中進行訓練預測。但是由於直接由五個基學習器獲得結果直接帶入模型六中,容易導致過擬合。所以在使用五個及模型進行預測的時候,可以考慮使用K折驗證,防止過擬合。
- blending 與stacking不同,blending是將預測的值作為新的特徵和原特徵合併,構成新的特徵值,用於預測。為了防止過擬合,將資料分為兩部分d1、d2,使用d1的資料作為訓練集,d2資料作為測試集。預測得到的資料作為新特徵使用d2的資料作為訓練集結合新特徵,預測測試集結果。
- Blending與stacking的不同
- stacking
- stacking中由於兩層使用的資料不同,所以可以避免資訊洩露的問題。
- 在組隊競賽的過程中,不需要給隊友分享自己的隨機種子。
- Blending
- blending比stacking簡單,不需要構建多層模型。
- 由於blending對將資料劃分為兩個部分,在最後預測時有部分資料資訊將被忽略。
- 同時在使用第二層資料時可能會因為第二層資料較少產生過擬合現象。
- stacking
參考資料:還是沒有理解透徹嗎?可以檢視參考資料進一步瞭解哦!
https://blog.csdn.net/wuzhongqiang/article/details/105012739
5.4 程式碼示例
5.4.1 平均:
- 簡單加權平均,結果直接融合 求多個預測結果的平均值。pre1-pren分別是n組模型預測出來的結果,將其進行加權融
pre = (pre1 + pre2 + pre3 +...+pren )/n
- 加權平均法 一般根據之前預測模型的準確率,進行加權融合,將準確性高的模型賦予更高的權重。
pre = 0.3pre1 + 0.3pre2 + 0.4pre3
5.4.2 投票
- 簡單投票
from xgboost import XGBClassifier from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier, VotingClassifier clf1 = LogisticRegression(random_state=1) clf2 = RandomForestClassifier(random_state=1) clf3 = XGBClassifier(learning_rate=0.1, n_estimators=150, max_depth=4, min_child_weight=2, subsample=0.7,objective='binary:logistic') vclf = VotingClassifier(estimators=[('lr', clf1), ('rf', clf2), ('xgb', clf3)]) vclf = vclf .fit(x_train,y_train) print(vclf .predict(x_test)) ## 加權投票 ##在VotingClassifier中加入引數 voting='soft', weights=[2, 1, 1],weights用於調節基模型的權重 from xgboost import XGBClassifier from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier, VotingClassifier clf1 = LogisticRegression(random_state=1) clf2 = RandomForestClassifier(random_state=1) clf3 = XGBClassifier(learning_rate=0.1, n_estimators=150, max_depth=4, min_child_weight=2, subsample=0.7,objective='binary:logistic') vclf = VotingClassifier(estimators=[('lr', clf1), ('rf', clf2), ('xgb', clf3)], voting='soft', weights=[2, 1, 1]) vclf = vclf .fit(x_train,y_train) print(vclf .predict(x_test))
5.4.3 Stacking:
import warnings warnings.filterwarnings('ignore') import itertools import numpy as np import seaborn as sns import matplotlib.pyplot as plt import matplotlib.gridspec as gridspec from sklearn import datasets 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 StackingClassifier from sklearn.model_selection import cross_val_score, train_test_split from mlxtend.plotting import plot_learning_curves from mlxtend.plotting import plot_decision_regions # 以python自帶的鳶尾花資料集為例 iris = datasets.load_iris() X, y = iris.data[:, 1:3], iris.target clf1 = KNeighborsClassifier(n_neighbors=1) clf2 = RandomForestClassifier(random_state=1) clf3 = GaussianNB() lr = LogisticRegression() sclf = StackingClassifier(classifiers=[clf1, clf2, clf3], meta_classifier=lr) label = ['KNN', 'Random Forest', 'Naive Bayes', 'Stacking Classifier'] clf_list = [clf1, clf2, clf3, sclf] fig = plt.figure(figsize=(10,8)) gs = gridspec.GridSpec(2, 2) grid = itertools.product([0,1],repeat=2) clf_cv_mean = [] clf_cv_std = [] for clf, label, grd in zip(clf_list, label, grid): scores = cross_val_score(clf, X, y, cv=5, scoring='accuracy') print("Accuracy: %.2f (+/- %.2f) [%s]" %(scores.mean(), scores.std(), label)) clf_cv_mean.append(scores.mean()) clf_cv_std.append(scores.std()) clf.fit(X, y) ax = plt.subplot(gs[grd[0], grd[1]]) fig = plot_decision_regions(X=X, y=y, clf=clf) plt.title(label) plt.show()
Accuracy: 0.91 (+/- 0.07) [KNN]
Accuracy: 0.94 (+/- 0.04) [Random Forest]
Accuracy: 0.91 (+/- 0.04) [Naive Bayes]
Accuracy: 0.94 (+/- 0.04) [Stacking Classifier]
5.4.4 blending
# 以python自帶的鳶尾花資料集為例 data_0 = iris.data data = data_0[:100,:] target_0 = iris.target target = target_0[:100] #模型融合中基學習器 clfs = [LogisticRegression(), RandomForestClassifier(), ExtraTreesClassifier(), GradientBoostingClassifier()] #切分一部分資料作為測試集 X, X_predict, y, y_predict = train_test_split(data, target, test_size=0.3, random_state=914) #切分訓練資料集為d1,d2兩部分 X_d1, X_d2, y_d1, y_d2 = train_test_split(X, y, test_size=0.5, random_state=914) dataset_d1 = np.zeros((X_d2.shape[0], len(clfs))) dataset_d2 = np.zeros((X_predict.shape[0], len(clfs))) for j, clf in enumerate(clfs): #依次訓練各個單模型 clf.fit(X_d1, y_d1) y_submission = clf.predict_proba(X_d2)[:, 1] dataset_d1[:, j] = y_submission #對於測試集,直接用這k個模型的預測值作為新的特徵。 dataset_d2[:, j] = clf.predict_proba(X_predict)[:, 1] print("val auc Score: %f" % roc_auc_score(y_predict, dataset_d2[:, j])) #融合使用的模型 clf = GradientBoostingClassifier() clf.fit(dataset_d1, y_d2) y_submission = clf.predict_proba(dataset_d2)[:, 1] print("Val auc Score of Blending: %f" % (roc_auc_score(y_predict, y_submission)))
5.5 經驗總結
- 簡單平均和加權平均是常用的兩種比賽中模型融合的方式。其優點是快速、簡單。
- stacking在眾多比賽中大殺四方,但是跑過程式碼的小夥伴想必能感受到速度之慢,同時stacking多層提升幅度並不能抵消其帶來的時間和記憶體消耗,所以實際環境中應用還是有一定的難度,同時在有答辯環節的比賽中,主辦方也會一定程度上考慮模型的複雜程度,所以說並不是模型融合的層數越多越好的。
- 當然在比賽中將加權平均、stacking、blending等混用也是一種策略,可能會收穫意想不到的效果哦!