Я создал простой стековый классификатор с mlxtend и пробую разные базовые классификаторы, и я столкнулся с интересной ситуацией. Из всех моих исследований мне кажется, что классификаторы стеков всегда работают лучше, чем их базовые классификаторы.
В моем случае, когда я перекрестно проверяю классификатор стеков на тренировочном наборе, я получаю более низкий балл, чем некоторые из базовых оценок. Кроме того, я часто получаю средний балл CV моего классификатора суммирования, равный наименьшему из среднего балла CV базовых оценщиков.
Разве это не странно? Что еще более странно, когда я выполняю GridSearchCV на своем классификаторе стеков, выбираю лучшие параметры и переобучаюсь для всего набора поездов, и, наконец, вычисляю точность на тестовом наборе, я на самом деле получаю довольно хороший результат.
Я знаю, что этот метод подвержен утечкам, и существуют различные методы для CV классификатора стеков, но они кажутся чрезвычайно медленными, и из моего исследования приведенный выше подход кажется подходящим (об этой потенциальной утечке, это руководство по стекированию Kaggle). В посте даже говорится: «На практике все игнорируют эту теоретическую дыру (и, честно говоря, я думаю, что большинство людей даже не подозревают, что она существует!» http://blog.kaggle.com/2016/12/27/a-kagglers-guide-to-model-stacking-in-practice/ См. параграф настройки параметров)
from mlxtend.classifier import StackingCVClassifier
from sklearn import model_selection
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import BernoulliNB
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
from sklearn.metrics import accuracy_score
RANDOM_SEED = 12
#Imported df in separate code snippet
y = df['y']
X = df.drop(columns=['y'])
scaler = preprocessing.StandardScaler().fit(X)
X_transformed = scaler.transform(X)
X_train, X_test, y_train, y_test = train_test_split(X_transformed,y, random_state = 4)
def gridSearch_clf(clf, param_grid, X_train, y_train):
gs = GridSearchCV(clf, param_grid).fit(X_train, y_train)
print("Best Parameters")
print(gs.best_params_)
return gs.best_estimator_
def gs_report(y_test, X_test, best_estimator):
print(classification_report(y_test, best_estimator.predict(X_test)))
print("Overall Accuracy Score: ")
print(accuracy_score(y_test, best_estimator.predict(X_test)))
lr = LogisticRegression()
np.random.seed(RANDOM_SEED)
sclf = StackingCVClassifier(classifiers=[best_clf1, best_clf2, best_clf3],
meta_classifier=lr)
clfs = [best_clf1, best_clf2, best_clf3, sclf]
clf_names = [i.__class__.__name__ for i in clfs]
print_cv(clfs, clf_names)
Accuracy: 0.68 (+/- 0.30) [Decision Tree Classifier]
Accuracy: 0.55 (+/- 0.26) [K Neighbors Classifier]
Accuracy: 0.67 (+/- 0.32) [Bernoulli Naive Bayes]
Accuracy: 0.55 (+/- 0.26) [StackingClassifier]
## StackingClassifier Accuracy = KNN Classifier Accuracy
param_grid = {'meta-logisticregression__C':np.logspace(-2, 3, num=6, base=10)}
best_sclf = gridSearch_clf(sclf, param_grid, X_train, y_train)
gs_report(y_test,X_test, best_sclf)
Best Parameters
{'meta-logisticregression__C': 0.1}
precision recall f1-score support
0 0.91 0.99 0.95 9131
1 0.68 0.22 0.33 1166
avg / total 0.88 0.90 0.88 10297
Overall Accuracy Score:
0.9000679809653297