模型介绍:集成分类模型是综合考量多个分类器的预测结果,从而做出决策。
1.利用相同的训练数据同时搭建多个独立的分类模型,然后通过投票的方式,以少数服从多数的原则作出最终的分类决策。比较具有代表性的模型为随机森林分类器,即在相同训练数据上同时搭建多棵决策树。
2.按照一定次序搭建多个分类模型。这些模型之间彼此存在依赖关系。一般而言,每一个后续模型的加入都需要对现有集成模型的综合性能有所贡献,进而不断提升更新过后的集成模型的性能,并最终期望借助整合多个分类能力较弱的分类器,搭建出具有更强分类能力的模型。比较具有代表性的当属梯度提升决策树。
集成模型对泰坦尼克号乘客是否生还的预测
import pandas as pd
titanic=pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
#人工选取pclass、age以及sex作为判别乘客是否能够生还的特征
X=titanic[['pclass','age','sex']]
y=titanic['survived']
#对于缺失的年龄信息,我们使用全体乘客的平均年龄代替,这样可以在保证顺利训练模型的同时,尽可能不影响预测任务。
X['age'].fillna(X['age'].mean(),inplace=True)
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=33)
#对类别型特征进行转化,成为特征向量
from sklearn.feature_extraction import DictVectorizer
vec=DictVectorizer(sparse=False)
X_train=vec.fit_transform(X_train.to_dict(orient='record'))
X_test=vec.fit_transform(X_test.to_dict(orient='record'))
#使用单一决策树进行模型训练以及预测分析
from sklearn.tree import DecisionTreeClassifier
dtc=DecisionTreeClassifier()
dtc.fit(X_train,y_train)
dtc_y_pred=dtc.predict(X_test)
#使用随机森林分类器进行集成模型训练以及预测分析
from sklearn.ensemble import RandomForestClassifier
rfc=RandomForestClassifier()
rfc.fit(X_train,y_train)
rfc_y_pred=rfc.predict(X_test)
#使用梯度提升决策树进行集成模型训练以及预测分析
from sklearn.ensemble import GradientBoostingClassifier
gbc=GradientBoostingClassifier()
gbc.fit(X_train,y_train)
gbc_y_pred=gbc.predict(X_test)
集成模型对泰坦尼克号乘客是否生还的预测性能
from sklearn.metrics import classification_report
#输出单一决策树在测试集的分类准确性,以及更加详细的精确率、召回率、F1指标。
print('The accuracy of decision tree is',dtc.score(X_test,y_test))
print(classification_report(dtc_y_pred,y_test))

#输出随机森林分类器在测试集的分类准确性,以及更加详细的精确率、召回率、F1指标。
print('The accuracy of decision tree is',rfc.score(X_test,y_test))
print(classification_report(rfc_y_pred,y_test))

#输出梯度提升决策树在测试集的分类准确性,以及更加详细的精确率、召回率、F1指标。
print('The accuracy of decision tree is',gbc.score(X_test,y_test))
print(classification_report(gbc_y_pred,y_test))

在相同的训练和测试数据条件下,仅仅使用模型的默认配置,梯度上升决策树模型具有最佳的预测性能,其次是随机森林分类器,最后是单一决策树。大量在其他数据上的模型实践也证明了上述结论的普适性。一般而言,工业界为了追求更加强劲的预测性能,经常使用随机森林分类经营作为基线系统。
特点分析
集成模型可以说是实战应用中最为常见的。相比于其他单一的模型,集成模型可以整合多种模型,或者多次就一种类型的模型进行建模。由于模型估计参数的过程也同样受到概率的影响,具有一定的不确定性;因此集成模型虽然在训练过程中要耗费更多的时间,但是得到的综合模型往往具有更高的表现性能和更好的稳定性。
网友评论