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