集成算法之Stacking堆叠详解(原理+公式+实战+对比)
本文面向本科、研究生阶段的同学,用通俗易懂的语言讲解集成学习中Stacking(堆叠) 算法的核心原理、数学推导、完整执行流程,结合回归任务实战实现堆叠模型,并对比Stacking与Bagging、Boosting、Blending的差异,明确各类场景的算法选型思路,内容从入门到进阶,可直接用于课程设计、竞赛和项目开发。
一、Stacking堆叠:通俗理解核心概念
Stacking是集成学习中一种分层式的模型融合方法,核心思路可以用**「多专家献策,总裁判决策」** 来概括,和我们日常做决策的逻辑高度相似。
举个生活中的例子:要预测明天的天气,你不会只听一个天气预报员的意见,而是找3个不同的预报员(不同方法):
- 预报员A:根据过去一周的天气规律判断;
- 预报员B:分析温度、湿度、气压等气象数据;
- 预报员C:参考卫星云图和降水概率模型。
他们的预测结果可能不一致,这时你请来一位总裁判,他会根据每个预报员的历史预测准确率,综合所有人的结果,得出最终的天气结论。
对应到Stacking算法中:
- 基础模型(Base Models):就是各个“预报员”,可以是不同类型的机器学习模型(决策树、随机森林、SVM、神经网络等),各自对数据做预测;
- 元学习器(Meta Learner):就是“总裁判”,把基础模型的预测结果当作新的特征数据,学习如何加权/融合这些结果,得到最终的最优预测;
- 核心价值:让不同模型的优势互补,单个模型擅长处理某类数据模式,融合后能覆盖更多数据特征,提升预测精度并减少过拟合。
二、Stacking的基本流程
Stacking的核心是两层学习结构,第一层训练基础模型做预测,第二层训练元学习器融合预测结果,步骤清晰且固定,本科生也能轻松理解:
第一层:基础模型层(专家献策)
- 选择多个不同类型的基础模型(如随机森林+梯度提升+SVM),用同一份训练集分别训练这些模型;
- 训练完成后,每个基础模型对训练集/测试集独立输出预测结果,这些结果会作为第二层的输入特征。
第二层:元学习器层(总裁判决策)
- 收集第一层所有基础模型的预测结果,将其拼接成新的特征矩阵;
- 用这份新特征矩阵作为输入,原始的目标变量作为标签,训练一个元学习器(如线性回归、Ridge、XGBoost等);
- 元学习器的核心任务是学习最优的融合策略,比如给预测准确率高的基础模型分配更高的权重,最终输出融合后的预测结果。
一句话总结:Stacking不是直接用模型预测结果,而是让模型学习“如何融合其他模型的预测结果”。
三、Stacking原理详解(公式+推导,适合本科/研究生)
这部分从问题设定、两层结构、公式推导展开,公式做简化解释,重点理解核心逻辑,无需死记硬背,结合流程看更易理解。
3.1 问题设定
针对经典的监督学习问题,定义基础数据集和学习目标:
- 训练集:D=(xi,yi)i=1ND={(x_{i}, y_{i})}_{i=1}^{N}D=(xi,yi)i=1N,其中xix_{i}xi是样本的输入特征,yiy_{i}yi是样本的真实标签(目标变量);
- 学习目标:找到一个映射函数f:X→Yf: X \to Yf:X→Y,使得给定新样本x∗x^*x∗时,能准确预测其标签y∗y^*y∗;
- Stacking的核心:不直接学习单个映射函数f(x)f(x)f(x),而是通过多个基础模型的组合来学习最终预测。
3.2 两层Stacking的数学表达
Stacking的分层结构可以用简单的公式表示,核心是基础模型的输出作为元学习器的输入:
第一层:基础模型的独立预测
假设我们选择了MMM个基础模型f1,f2,...,fMf_1, f_2, ..., f_Mf1,f2,...,fM,每个模型对样本xxx的预测结果为:
y^m=fm(x)(m=1,2,...,M)\hat{y}_{m}=f_{m}(x) \quad (m=1,2,...,M)y^m=fm(x)(m=1,2,...,M)
所有基础模型对训练集的预测结果会形成一个预测值矩阵Y^\hat{Y}Y^,每行对应一个样本,每列对应一个基础模型的预测值:
Y^=[y^1,1y^2,1...y^M,1y^1,2y^2,2...y^M,2⋮⋮⋱⋮y^1,Ny^2,N...y^M,N]\hat{Y}=\left[\begin{array}{cccc}\hat{y}_{1,1} & \hat{y}_{2,1} & ... & \hat{y}_{M, 1} \\ \hat{y}_{1,2} & \hat{y}_{2,2} & ... & \hat{y}_{M, 2} \\ \vdots & \vdots & \ddots & \vdots \\ \hat{y}_{1, N} & \hat{y}_{2, N} & ... & \hat{y}_{M, N}\end{array}\right]Y^=y^1,1y^1,2⋮y^1,Ny^2,1y^2,2⋮y^2,N......⋱...y^M,1y^M,2⋮y^M,N
其中y^m,i\hat{y}_{m,i}y^m,i表示第mmm个基础模型对第iii个样本的预测值。
第二层:元学习器的融合预测
元学习器g(⋅)g(\cdot)g(⋅)以第一层的预测值矩阵Y^\hat{Y}Y^为新输入特征,原始标签yiy_iyi为目标,学习融合策略,最终预测值为:
y^=g(y^1,y^2,...,y^M)\hat{y}=g\left(\hat{y}_{1}, \hat{y}_{2}, ..., \hat{y}_{M}\right)y^=g(y^1,y^2,...,y^M)
整合后,Stacking的最终预测函数可以表示为:
y^=g(f1(x),f2(x),...,fM(x))\hat{y}=g\left(f_{1}(x), f_{2}(x), ..., f_{M}(x)\right)y^=g(f1(x),f2(x),...,fM(x))
这就是Stacking的核心数学表达式,本质是嵌套的函数映射。
3.3 两层模型的训练公式推导
Stacking的训练过程分为两步,分别最小化基础模型和元学习器的损失函数,实现分步优化:
第一步:训练基础模型
每个基础模型fmf_mfm的训练目标是最小化自身的预测损失,找到最优模型参数θm\theta_mθm:
minθm∑i=1NL(yi,fm(xi;θm))\min _{\theta_{m}} \sum_{i=1}^{N} L\left(y_{i}, f_{m}\left(x_{i} ; \theta_{m}\right)\right)θmmini=1∑NL(yi,fm(xi;θm))
其中:
- L(y,y^)L(y, \hat{y})L(y,y^)是损失函数(回归用MSE均方误差,分类用交叉熵损失);
- θm\theta_mθm是第mmm个基础模型的参数(如随机森林的树数、SVM的核函数参数)。
第二步:训练元学习器
元学习器ggg的输入是基础模型的预测值y^1,i,y^2,i,...,y^M,i\hat{y}_{1,i},\hat{y}_{2,i},...,\hat{y}_{M,i}y^1,i,y^2,i,...,y^M,i,训练目标是最小化融合后的预测损失,找到最优参数θg\theta_gθg:
minθg∑i=1NL(yi,g(y^1,i,y^2,i,...,y^M,i;θg))\min _{\theta_{g}} \sum_{i=1}^{N} L\left(y_{i}, g\left(\hat{y}_{1, i}, \hat{y}_{2, i}, ..., \hat{y}_{M, i} ; \theta_{g}\right)\right)θgmini=1∑NL(yi,g(y^1,i,y^2,i,...,y^M,i;θg))
最常用的元学习器:线性回归/岭回归
对于回归任务,元学习器通常选择简单的线性模型(避免过拟合),比如岭回归(Ridge),其预测公式为:
y^=β0+∑m=1Mβmy^m\hat{y}=\beta_{0}+\sum_{m=1}^{M} \beta_{m} \hat{y}_{m}y^=β0+m=1∑Mβmy^m
其中β0\beta_0β0是偏置项,βm\beta_mβm是第mmm个基础模型的权重系数,元学习器的训练目标就是通过最小化均方误差找到最优权重:
minβ∑i=1N(yi−β0−∑m=1Mβmy^m,i)2\min _{\beta} \sum_{i=1}^{N}\left(y_{i}-\beta_{0}-\sum_{m=1}^{M} \beta_{m} \hat{y}_{m, i}\right)^{2}βmini=1∑N(yi−β0−m=1∑Mβmy^m,i)2
元学习器的选择技巧
- 回归任务:优先选线性回归、Ridge、Lasso(简单不易过拟合);
- 分类任务:优先选逻辑回归;
- 数据模式复杂、计算资源充足:可选XGBoost、随机森林(复杂元学习器);
- 核心原则:元学习器不宜过于复杂,否则会对基础模型的预测结果过拟合,失去融合的意义。
3.4 Stacking的完整算法流程
整合上述原理,给出Stacking标准化的输入、训练阶段、预测阶段,可直接对应代码实现,步骤清晰无歧义:
输入
- 训练集D=(xi,yi)i=1ND={(x_{i}, y_{i})}_{i=1}^{N}D=(xi,yi)i=1N,测试集D∗=(xi∗,yi∗)i=1TD^*={(x_{i}^*, y_{i}^*)}_{i=1}^{T}D∗=(xi∗,yi∗)i=1T;
- MMM个不同的基础学习器f1,f2,...,fMf_1, f_2, ..., f_Mf1,f2,...,fM;
- 1个元学习器ggg(如Ridge、逻辑回归)。
训练阶段
-
第一层:训练基础模型
- 用训练集DDD分别训练MMM个基础模型:fm←Train(X,Y)f_{m} \leftarrow Train(X, Y)fm←Train(X,Y);
- 用训练好的基础模型对训练集DDD做预测,生成预测值矩阵Y^=(f1(X),f2(X),...,fM(X))\hat{Y}=(f_{1}(X), f_{2}(X), ..., f_{M}(X))Y^=(f1(X),f2(X),...,fM(X))。
-
第二层:训练元学习器
- 以预测值矩阵Y^\hat{Y}Y^为输入,原始标签YYY为目标,训练元学习器:g←Train(Y^,Y)g \leftarrow Train(\hat{Y}, Y)g←Train(Y^,Y)。
预测阶段
- 用训练好的MMM个基础模型,对新样本x∗x^*x∗分别做预测:y^m∗=fm(x∗)(∀m∈{1,...,M})\hat{y}_{m}^{*}=f_{m}\left(x^{*}\right) \quad (\forall m \in\{1, ..., M\})y^m∗=fm(x∗)(∀m∈{1,...,M});
- 把基础模型的预测结果y^1∗,y^2∗,...,y^M∗\hat{y}_{1}^*,\hat{y}_{2}^*,...,\hat{y}_{M}^*y^1∗,y^2∗,...,y^M∗输入元学习器,得到最终预测:y^∗=g(y^1∗,y^2∗,...,y^M∗)\hat{y}^{*}=g\left(\hat{y}_{1}^{*}, \hat{y}_{2}^{*}, ..., \hat{y}_{M}^{*}\right)y^∗=g(y^1∗,y^2∗,...,y^M∗)。
3.5 Stacking的3个关键注意点(避坑核心)
Stacking的实现不难,但如果忽略以下3点,很容易导致过拟合、效果下降,这也是本科/研究生做实验时最容易踩的坑:
-
严格避免信息泄露
- 核心问题:不能用训练基础模型的同一批数据,直接生成元学习器的训练数据(会导致元学习器记住训练集噪音);
- 解决方法:用K折交叉验证生成基础模型的预测值,确保元学习器的训练数据是“未见过”的验证集数据。
-
基础模型要保证多样性
- 核心要求:基础模型必须是不同类型、不同原理的模型(如随机森林+SVM+神经网络),而非同类型模型的简单重复(如多个随机森林);
- 原因:不同模型捕捉数据的不同特征,多样性越高,融合后的互补效果越好;同类型模型的预测结果高度相似,融合后无提升。
-
元学习器宜简不宜繁
- 核心原则:优先选择简单的线性模型作为元学习器,仅在数据模式极复杂、计算资源充足时,才考虑复杂模型;
- 原因:元学习器的作用是“融合”而非“重新学习”,复杂模型会对基础模型的预测结果过拟合,反而降低泛化能力。
四、Stacking实战:回归任务完整实现(Python代码可直接运行)
以合成回归数据集为例,实现Stacking堆叠模型的全流程:选择3个不同的基础模型(随机森林+梯度提升+SVM),用Ridge岭回归作为元学习器并做超参数调优,最后通过可视化分析模型效果,代码注释详细,本科生可直接复现。
4.1 环境准备
需要的Python库(均为机器学习常用库,提前安装):
pip install numpy matplotlib seaborn scikit-learn
4.2 完整实战代码
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 数据集生成
from sklearn.datasets import make_regression
# 基础模型与Stacking封装
from sklearn.ensemble import RandomForestRegressor, GradientBoostingRegressor, StackingRegressor
from sklearn.svm import SVR
# 元学习器与调参
from sklearn.linear_model import Ridge
from sklearn.model_selection import train_test_split, GridSearchCV
# 模型评估指标
from sklearn.metrics import mean_squared_error
# 设置随机种子,保证实验可复现(本科/研究生实验必备)
np.random.seed(42)
# ---------------------- 1. 生成回归数据集并划分 ----------------------
# 生成合成数据:1000个样本,20个特征,噪声0.1
X, y = make_regression(n_samples=1000, n_features=20, noise=0.1, random_state=42)
# 划分训练集(80%)和测试集(20%)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"训练集样本数:{X_train.shape[0]},测试集样本数:{X_test.shape[0]}")
# ---------------------- 2. 定义基础模型(保证多样性) ----------------------
# 选择3个不同类型的基础模型:随机森林+梯度提升+SVM
base_models = [
('rf', RandomForestRegressor(n_estimators=100, random_state=42)), # 树模型
('gbr', GradientBoostingRegressor(n_estimators=100, learning_rate=0.1, random_state=42)), # 提升树
('svr', SVR(C=1.0, epsilon=0.1)) # 核方法模型
]
# ---------------------- 3. 元学习器超参数调优(Ridge岭回归) ----------------------
# 定义元学习器:Ridge回归
ridge = Ridge()
# 定义待调参范围:alpha是正则化系数,越大正则化越强
param_grid = {'alpha': [0.1, 1.0, 10.0, 50.0, 100.0]}
# 5折交叉验证调参,评估指标为负均方误差(sklearn默认越大越好)
grid_search = GridSearchCV(ridge, param_grid, cv=5, scoring='neg_mean_squared_error', random_state=42)
# 用基础模型的训练集预测结果,训练调参器
base_preds = [model.fit(X_train, y_train).predict(X_train) for _, model in base_models]
grid_search.fit(np.column_stack(base_preds), y_train)
# 输出最优参数
best_alpha = grid_search.best_params_['alpha']
print(f"元学习器Ridge的最优alpha:{best_alpha}")
# 构建调优后的元学习器
optimized_ridge = Ridge(alpha=best_alpha)
# ---------------------- 4. 构建并训练Stacking堆叠模型 ----------------------
# 封装Stacking模型:基础模型+调优后的元学习器,5折交叉验证避免信息泄露
optimized_stacking_model = StackingRegressor(
estimators=base_models, # 第一层基础模型
final_estimator=optimized_ridge, # 第二层元学习器
cv=5 # 5折交叉验证生成基础模型的预测值,核心避坑
)
# 训练Stacking模型(一键训练,sklearn已封装分层逻辑)
optimized_stacking_model.fit(X_train, y_train)
# ---------------------- 5. 模型预测与评估 ----------------------
# 对测试集做预测
y_pred = optimized_stacking_model.predict(X_test)
# 计算测试集均方误差(MSE越小,模型效果越好)
mse = mean_squared_error(y_test, y_pred)
print(f"Stacking模型测试集MSE:{mse:.4f}")
# 计算残差(真实值-预测值,用于分析模型拟合效果)
residuals = y_test - y_pred
# ---------------------- 6. 模型效果可视化(本科/研究生实验必备) ----------------------
# 6.1 真实值vs预测值散点图(越接近对角线,拟合效果越好)
plt.figure(figsize=(10, 6))
plt.scatter(y_test, y_pred, color='tab:blue', alpha=0.7, edgecolor='k', label='Predicted vs True')
plt.xlabel('True Values', fontsize=14)
plt.ylabel('Predicted Values', fontsize=14)
plt.title('Stacking Model: True vs Predicted Values', fontsize=16)
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()
# 6.2 残差直方图(残差服从正态分布,说明模型无系统误差)
plt.figure(figsize=(10, 6))
sns.histplot(residuals, kde=True, color='tab:orange', bins=30)
plt.xlabel('Residuals (True - Predicted)', fontsize=14)
plt.ylabel('Frequency', fontsize=14)
plt.title('Stacking Model: Histogram of Residuals', fontsize=16)
plt.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()
4.3 实战结果分析与关键步骤解读
- 数据集生成:用
make_regression生成合成回归数据,避免了真实数据的预处理步骤,专注于Stacking模型本身,适合新手入门; - 基础模型选择:严格遵循多样性原则,选择了树模型(随机森林)、提升树(GradientBoosting)、核方法(SVR)三种不同原理的模型,保证融合效果;
- 元学习器调优:用
GridSearchCV对Ridge回归的正则化系数alpha做5折交叉验证调优,平衡拟合效果和过拟合; - 核心避坑:在
StackingRegressor中设置cv=5,通过交叉验证生成基础模型的预测值,彻底避免信息泄露; - 可视化分析:
- 散点图:预测值与真实值几乎重合在对角线,说明模型拟合效果极好;
- 残差直方图:残差服从正态分布且均值接近0,说明模型无系统误差,泛化能力强。
拓展:如果要做分类任务,只需将基础模型换成分类模型(如RandomForestClassifier、SVC),元学习器换成逻辑回归(LogisticRegression),评估指标换成准确率、F1值、AUC即可,核心流程完全一致。
五、Stacking堆叠算法的优缺点分析
结合原理和实战,总结Stacking的核心优缺点,帮助本科/研究生理解其适用场景和局限性,避免盲目使用:
优点
- 模型优势互补,预测精度高:融合不同类型模型的优点,覆盖更多数据模式,比单个模型或同类型模型融合的精度更高,是Kaggle竞赛等追求极致精度任务的常用技巧;
- 有效减少过拟合:不同模型的错误类型不同,融合后可以互相弥补缺陷,降低单一模型对训练集噪音的过拟合风险;
- 灵活性极强:基础模型和元学习器都可以自由搭配,支持几乎所有机器学习模型(传统模型+浅层神经网络),适用于回归、分类、排序等各类监督学习任务;
- 支持超参数调优:基础模型和元学习器均可独立调优,通过交叉验证进一步提升模型的鲁棒性和泛化能力。
缺点
- 计算成本高,训练耗时:需要训练多个基础模型+1个元学习器,相比单个模型,训练时间和内存开销大幅增加,尤其在大数据集上更为明显;
- 可解释性差:分层式的融合结构导致模型的决策过程难以解释,无法像线性回归、决策树那样给出明确的特征权重或决策路径,不适合对可解释性要求高的场景;
- 依赖基础模型的表现:如果基础模型本身的预测精度很低,Stacking不仅无法提升效果,还可能因“融合错误结果”导致精度进一步下降;
- 存在信息泄露风险:如果未正确使用交叉验证生成基础模型的预测值,极易发生信息泄露,导致元学习器过拟合,模型在测试集上表现极差;
- 调参复杂度高:需要分别对每个基础模型和元学习器做超参数调优,调参工作量远大于单个模型。
六、Stacking与其他集成算法的对比(表格清晰版)
集成学习的核心方法有Stacking、Bagging、Boosting,还有Stacking的轻量变体Blending,本科/研究生极易混淆,以下从核心方法、模型多样性、计算开销、过拟合风险等维度做详细对比,一目了然:
| 特性 | Stacking(堆叠) | Bagging(如随机森林) | Boosting(如XGBoost) | Blending(混合) |
|---|---|---|---|---|
| 核心方法 | 分层融合,元学习器学习如何组合基础模型预测 | 样本随机采样,训练同类型模型,平均/投票预测 | 串行训练,后一个模型修正前一个模型的错误 | 简化版Stacking,用独立验证集训练元学习器 |
| 基础模型多样性 | 要求高,必须不同类型模型(树+SVM+神经网络) | 低,仅用同类型模型(如多个决策树) | 低,仅用同类型弱模型(如多个决策树) | 中等,可使用不同类型模型,但数量通常较少 |
| 是否需要元学习器 | 是,必须额外的元学习器融合结果 | 否,直接平均/投票,无需额外模型 | 否,加权迭代学习,无需额外模型 | 是,但通常用简单的线性模型 |
| 计算开销 | 高,多模型训练+元学习器训练 | 适中,模型可并行训练(无依赖) | 较高,模型串行训练(后一个依赖前一个) | 较低,仅用少量基础模型+简单元学习器 |
| 过拟合风险 | 低,交叉验证可有效避免,适合高方差问题 | 低,随机采样降低过拟合,天生适合高方差问题 | 高,学习率不当易过拟合,需正则化/早停 | 低,独立验证集训练,过拟合风险极低 |
| 模型可解释性 | 低,分层结构难以解释决策过程 | 中等,可分析单棵树的决策路径/特征重要性 | 低,加权迭代过程难以解释 | 中等,比Stacking简单,易分析融合策略 |
| 代表算法 | 自定义Stacking、sklearn.StackingRegressor | 随机森林、BaggingClassifier | XGBoost、LightGBM、AdaBoost | 自定义轻量融合模型 |
关键差异总结
- Stacking vs Bagging:Stacking是模型融合,Bagging是样本融合;
- Stacking vs Boosting:Stacking是并行式融合(基础模型独立训练),Boosting是串行式提升(模型依次训练,互相依赖);
- Stacking vs Blending:Blending是Stacking的简化版,用独立的验证集代替交叉验证,实现更简单,计算成本更低,但泛化能力略差。
七、算法选型:何时选Stacking,何时选其他集成算法?
结合数据规模、计算资源、任务要求(精度/可解释性),给出明确的选型建议,本科/研究生做课程设计、竞赛,或工业界做项目时可直接参考,避免盲目选择:
优先选择Stacking的场景
- 追求极致的预测精度:如Kaggle竞赛、金融风险预测、精准营销等,对精度要求远高于可解释性,且计算资源充足;
- 数据模式复杂、异质性高:单一模型无法捕捉数据的全部特征,需要不同类型模型互补(如高维特征+非线性关系);
- 计算资源充足、数据量较大:能支撑多个基础模型的训练和调参,且大数据集能降低Stacking的过拟合风险;
- 无强可解释性要求:业务场景不要求解释模型的决策过程,仅关注预测结果的准确性。
优先选择其他集成算法的场景
- 计算资源有限,追求训练效率→选Bagging(随机森林):随机森林可并行训练,调参简单,训练速度快,且过拟合风险低;
- 数据量中等,想快速得到高精度模型→选Boosting(XGBoost/LightGBM):提升树的预测精度接近Stacking,且训练和调参成本远低于Stacking;
- 对模型可解释性有要求→选随机森林/决策树:可分析特征重要性、决策路径,比Stacking/Boosting更易解释;
- 数据量较小,担心过拟合→选Blending:轻量版Stacking,用独立验证集训练,实现简单,过拟合风险极低;
- 工程落地要求高→选XGBoost/LightGBM:工业界落地成熟,有高效的工程实现,而Stacking的多模型部署成本较高。
八、总结
Stacking作为集成学习中的高阶融合方法,核心价值是通过分层融合实现不同模型的优势互补,达到极致的预测精度,是本科/研究生必须掌握的集成学习算法之一,也是机器学习竞赛中的“提分神器”。
核心学习要点
- 理解分层逻辑:Stacking的核心是两层学习结构,基础模型做预测,元学习器学融合,这是与Bagging/Boosting的本质区别;
- 牢记避坑原则:避免信息泄露、保证基础模型多样性、元学习器宜简不宜繁,这是实现Stacking的关键;
- 掌握实战技巧:利用sklearn的
StackingRegressor/StackingClassifier可快速实现Stacking,重点关注交叉验证和超参数调优; - 明确选型思路:Stacking不是“万能算法”,仅适用于精度优先、计算资源充足、无强可解释性要求的场景,否则优先选择XGBoost、随机森林等更高效的算法。
拓展学习方向
- 多层Stacking:在基础模型层和元学习器层之间增加中间层,实现更复杂的融合,适合极复杂的数据模式;
- 与深度学习结合:将深度学习模型(如CNN、MLP)作为基础模型,与传统机器学习模型融合,提升非结构化数据(图像、文本)的预测精度;
- 模型融合的其他方法:如加权平均、投票法、堆叠法的组合,根据业务场景定制融合策略。
本文的原理推导和实战代码均做了简化和详细解释,适合本科/研究生入门和进阶,大家可以直接运行代码,替换基础模型、元学习器和数据集,适配自己的课程设计、竞赛和项目需求。
4万+



被折叠的 条评论
为什么被折叠?



