数据挖掘竞赛利器（stacking 的基本思想及代码实现）

1.简介

       Stacking是许多集成方法的综合。其主要思路如下图所示，通过训练数据训练多个base learners（the first-level learners），这些learners的输出作为下一阶段meta-learners（the second-level learners）的输入，最终预测由meta-learners预测结果得到。

2.stacking 的基本思想

       stacking 就是将一系列模型（也称基模型）的输出结果作为新特征输入到其他模型，这种方法由于实现了模型的层叠，即第一层的模型输出作为第二层模型的输入，第二层模型的输出作为第三层模型的输入，依次类推，最后一层模型输出的结果作为最终结果。本文会以两层的 stacking 为例进行说明。

       stacking 的思想也很好理解，这里以论文审稿为例，首先是三个审稿人分别对论文进行审稿，然后分别返回审稿意见给总编辑，总编辑会结合审稿人的意见给出最终的判断，即是否录用。对应于stacking，这里的三个审稿人就是第一层的模型，其输出（审稿人意见）会作为第二层模型（总编辑）的输入，然后第二层模型会给出最终的结果。

       stacking 的思想很好理解，但是在实现时需要注意不能有泄漏（leak）的情况，也就是说对于训练样本中的每一条数据，基模型输出其结果时并不能用这条数据来训练。否则就是用这条数据来训练，同时用这条数据来测试，这样会造成最终预测时的过拟合现象，即经过stacking后在训练集上进行验证时效果很好，但是在测试集上效果很差。

       为了解决这个泄漏的问题，需要通过 K-Fold 方法分别输出各部分样本的结果，这里以 5-Fold 为例，具体步骤如下

       (1) 将数据划分为 5 部分，每次用其中 1 部分做验证集，其余 4 部分做训练集，则共可训练出 5 个模型
       (2) 对于训练集，每次训练出一个模型时，通过该模型对没有用来训练的验证集进行预测，将预测结果作为验证集对应的样本的第二层输入，则依次遍历5次后，每个训练样本都可得到其输出结果作为第二层模型的输入
       (3) 对于测试集，每次训练出一个模型时，都用这个模型对其进行预测，则最终测试集的每个样本都会有5个输出结果，对这些结果取平均作为该样本的第二层输入

       上述过程图示如下:

除此之外，用 stacking 或者说 ensemble 这一类方法时还需要注意以下两点：

       1.Base Model 之间的相关性要尽可能的小，从而能够互补模型间的优势
       2.Base Model 之间的性能表现不能差距太大，太差的模型会拖后腿

结合上面的图先做一个初步的情景假设，假设采用5折交叉验证：
训练集（Train）：训练集是100行，4列（3列特征，1列标签）。
测试集（Test）：测试集是30行，3列特征，无标签。
模型1：xgboost。
模型2：lightgbm。
模型3：逻辑回归

第一层xgboost和lightgbm

第一层，也就是xgboost和lightgbm作为第一层

对于模型1来说，先看训练集：
采用5折交叉验证，就是要训练5次并且要预测5次。先把数据分成5份，每一次的训练过程是采用80行做训练，20行做预测，经过5次的训练和预测之后，全部的训练集都已经经过预测了，这时候会产生一个100 ×\times× 1的预测值。暂记为P1。

接下来看一看测试集：
在模型1每次经过80个样本的学习后，不光要预测训练集上的20个样本，同时还会预测Test的30个样本，这样，在一次训练过程中，就会产生一个30 ×\times× 1的预测向量，在5次的训练过程中，就会产生一个30 ×\times× 5的向量矩阵，我们队每一行做一个平均，就得到了30 ×\times× 1的向量。暂记为T1。

模型1到此结束。接下来看模型2，模型2是在重复模型1的过程，同样也会产生一个训练集的预测值和测试集的预测值。记为P2和T2。这样的话，（P1,P2）就是一个100 ×\times× 2的矩阵，（T1,T2）就是一个30 ×\times× 2的矩阵。

第二层逻辑回归LinearRegression()

第二层,也就是逻辑回归LinearRegression()
第二步是采用新的模型3。其训练集是什么呢？就是第一步得到的（P1,P2）加上每个样本所对应的标签，如果第一步的模型非常好的话，那么得到的P1或者P2应该是非常接近这个标签的。有人可能就会对测试集用求平均的方式来直接（T1+T2）/2，或者带权重的平均来求得结果，但是一般是不如stacking方法的。
将（P1,P2）作为模型3训练集的特征，经过模型3的学习，然后再对测试集上的（T1,T2）做出预测，一般就能得到较好的结果了。

python实现
第一层：模型1采用xgboost，模型2采用lightgbm

第二层：模型3用逻辑回归LinearRegression()。

3.代码实现

第一层

3.1xgboost

##### xgb
xgb_params = {'eta': 0.005, 
              'max_depth': 10, 
              'subsample': 0.8, 
              'colsample_bytree': 0.8, 
              'objective': 'reg:linear', 
              'eval_metric': 'rmse', 
              'silent': True, 
              'nthread': 4}#xgb的参数，可以自己改
folds = KFold(n_splits=5, shuffle=True, random_state=2018)#5折交叉验证
oof_xgb = np.zeros(len(train))#用于存放训练集的预测
predictions_xgb = np.zeros(len(test))#用于存放测试集的预测

for fold_, (trn_idx, val_idx) in enumerate(folds.split(X_train, y_train)):
    print("fold n°{}".format(fold_+1))
    trn_data = xgb.DMatrix(X_train[trn_idx], y_train[trn_idx])#训练集的80%
    val_data = xgb.DMatrix(X_train[val_idx], y_train[val_idx])#训练集的20%，验证集
 
    watchlist = [(trn_data, 'train'), (val_data, 'valid_data')]
    clf = xgb.train(dtrain=trn_data, num_boost_round=20000, evals=watchlist, early_stopping_rounds=200, verbose_eval=100, params=xgb_params)#80%用于训练过程
    oof_xgb[val_idx] = clf.predict(xgb.DMatrix(X_train[val_idx]), ntree_limit=clf.best_ntree_limit)#预测20%的验证集
    predictions_xgb += clf.predict(xgb.DMatrix(X_test), ntree_limit=clf.best_ntree_limit) / folds.n_splits#预测测试集，并且取平均
    
print("CV score: {:<8.8f}".format(mean_squared_error(oof_xgb, target)))

这样我们就得到了训练集的预测结果oof_xgb这一列，这一列是作为模型3训练集的第一个特征列，并且得到了测试集的预测结果predictions_xgb。

3.2lightgbm

和xgboost非常的相似

##### lgb
param = {'num_leaves': 120,
         'min_data_in_leaf': 30, 
         'objective':'regression',
         'max_depth': -1,
         'learning_rate': 0.01,
         "min_child_samples": 30,
         "boosting": "gbdt",
         "feature_fraction": 0.9,
         "bagging_freq": 1,
         "bagging_fraction": 0.9 ,
         "bagging_seed": 11,
         "metric": 'mse',
         "lambda_l1": 0.1,
         "verbosity": -1}#模型参数，可以修改
folds = KFold(n_splits=5, shuffle=True, random_state=2018)#5折交叉验证
oof_lgb = np.zeros(len(train))#存放训练集的预测结果
predictions_lgb = np.zeros(len(test))#存放测试集的预测结果

for fold_, (trn_idx, val_idx) in enumerate(folds.split(X_train, y_train)):
    print("fold n°{}".format(fold_+1))
    trn_data = lgb.Dataset(X_train[trn_idx], y_train[trn_idx])#80%的训练集用于训练
    val_data = lgb.Dataset(X_train[val_idx], y_train[val_idx])#20%的训练集做验证集

    num_round = 10000
    clf = lgb.train(param, trn_data, num_round, valid_sets = [trn_data, val_data], verbose_eval=200, early_stopping_rounds = 100)#训练过程
    oof_lgb[val_idx] = clf.predict(X_train[val_idx], num_iteration=clf.best_iteration)#对验证集得到预测结果
    
    predictions_lgb += clf.predict(X_test, num_iteration=clf.best_iteration) / folds.n_splits#对测试集5次取平均值

print("CV score: {:<8.8f}".format(mean_squared_error(oof_lgb, target)))

这样我们得到了模型3训练集的又一个特征oof_lgb，还有测试集的又一个特征predictions_lgb 。

3.3逻辑回归LinearRegression()

下一个步骤就是将模型1，模型2的输出作为第二层模型的输入，这里选用的第二层模型是 LogisticsRegression

然后用第二层模型进行训练和预测

# 将lgb和xgb的结果进行stacking（叠加）
train_stack = np.vstack([oof_lgb,oof_xgb]).transpose()#训练集2列特征
test_stack = np.vstack([predictions_lgb, predictions_xgb]).transpose()#测试集2列特征
#贝叶斯分类器也使用交叉验证的方法，5折，重复2次，主要是避免过拟合
folds_stack = RepeatedKFold(n_splits=5, n_repeats=2, random_state=2018)
oof_stack = np.zeros(train_stack.shape[0])#存放训练集中验证集的预测结果
predictions = np.zeros(test_stack.shape[0])#存放测试集的预测结果

#enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。
for fold_, (trn_idx, val_idx) in enumerate(folds_stack.split(train_stack,target)):#target就是每一行样本的标签值
    print("fold {}".format(fold_))
    trn_data, trn_y = train_stack[trn_idx], target.iloc[trn_idx].values#划分训练集的80%
    val_data, val_y = train_stack[val_idx], target.iloc[val_idx].values#划分训练集的20%做验证集
    
    clf_3 = LinearRegression()
    clf_3.fit(trn_data, trn_y)#贝叶斯训练过程，sklearn中的。
    
    oof_stack[val_idx] = clf_3.predict(val_data)#对验证集有一个预测，用于后面计算模型的偏差
    predictions += clf_3.predict(test_stack) / 10#对测试集的预测，除以10是因为5折交叉验证重复了2次
    
mean_squared_error(target.values, oof_stack)#计算出模型在训练集上的均方误差
print("CV score: {:<8.8f}".format(mean_squared_error(target.values, oof_stack)))

4.Stacking特点

使用stacking，组合1000多个模型，有时甚至要计算几十个小时。但是，这些怪物般的集成方法同样有着它的用处:

(1)它可以帮你打败当前学术界性能最好的算法

(2)我们有可能将集成的知识迁移到到简单的分类器上

(3)自动化的大型集成策略可以通过添加正则项有效的对抗过拟合，而且并不需要太多的调参和特征选择。所以从原则上讲，stacking非常适合于那些“懒人”

(4)这是目前提升机器学习效果最好的方法，或者说是最效率的方法human ensemble learning 。

个人微信公众号，专注于学习资源、笔记分享,欢迎关注。我们一起成长，一起学习。一直纯真着，善良着，温情地热爱生活,，如果觉得有点用的话，请不要吝啬你手中点赞的权力,谢谢我亲爱的读者朋友。

Life’s a little bit messy. We all make mistakes. No matter what type of animal you are, change starts with you.
生活总会有点不顺意，我们都会犯错。天性如何并不重要，重要的是你开始改变。

2020年3月24日于重庆城口
好好学习，天天向上，终有所获