Stacking是一种模型集成技术，通过结合多个基学习器的预测来提高整体性能。在数据挖掘比赛中，它常被用来增强模型的准确性。然而，不恰当的应用可能导致准确率降低，可能的原因包括数据集过小、代码错误、某个基学习器表现不佳或者选择的模型不合适。优化Stacking模型通常需要尝试不同的模型组合，确保每个基学习器都有良好的表现，并且有足够的数据支持。
Stacking
stacking是一种分层模型集成框架。以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。stacking的方法在各大数据挖掘比赛上都很风靡，模型融合之后能够小幅度的提高模型的预测准确度。
利用多个模型进行训练，再用各个模型进行融合，在运用在比赛中，可以提高分数
为什么做stacking之后，准确率反而降低了？
1、数据集小
2、代码问题
3、某个模型表现差，影响了效果
4、选取的模型有问题，需要尝试不同模型的效果进行比较
引用
https://github.com/datawhalechina/ensemble-learning
https://blog.youkuaiyun.com/wstcjf/article/details/77989963
https://www.zhihu.com/question/59769987
扫一扫
8041
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
