[ML-18]PCA(Principal Component Analysis)
18. PCA(Principal Component Analysis)
[ML-17]Stacking
17. Stacking
what?
앙상블 학습에서 각 모델의 예측값을 가지고 새로운 메타 모델(meta learner)을 학습시켜 최종 예측 모델을 만드는 방법
base-level classifier를 통해 도출된 예측값을 메타 모델을 학습시키는 input data로 사용한다.
why?
단일 모델을 사용하는 경우보다 더 높은 정확도를 보인다
기존에 학습시킨 모델을 활용하는 것이 가능해 협업에 유리하다
why not?
- 연산량이 많아 속도가 느리고 computational cost가 높아 현업에서 사용하기 힘들다
how?
Input
1) Data \(D = {(x_i, y_i)}_{i=1}^m\)
Step 1 for t = 1 to T(number of base-level classifiers) train \(h_t\) based on \(D\)
- base-level classifier(ex SVM, KNN, Random Forest…)를 학습시킨다
Step 2 train meta classifier
1) for i = 1 to m(number of samples) construct new data set
- base-level classifier의 예측값을 meta classifier를 학습시키기 위한 input data로 사용한다
2) train meta classifier
- learn \(H\) based on \(D_h\)
Step 3 output ensemble classifier \(H\)
Code usage
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.ensemble import ExtraTreesClassifier
from sklearn.ensemble import RandomForestClassifier
from xgboost import XGBClassifier
from vecstack import stacking
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=0)
models = [ ExtraTreesClassifier(random_state = 0, n_jobs = -1, n_estimators = 100, max_depth = 3),
RandomForestClassifier(random_state = 0, n_jobs = -1, n_estimators = 100, max_depth = 3),
XGBClassifier(seed = 0, n_jobs = -1, learning_rate = 0.1, n_estimators = 100, max_depth = 3)]
S_train, S_test = stacking(models, X_train, y_train, X_test,
regression = False, metric = accuracy_score,
n_folds = 4, stratified = True, shuffle = True,
random_state = 0, verbose = 2)
model = XGBClassifier(seed = 0, n_jobs = -1, learning_rate = 0.1, n_estimators = 100, max_depth = 3)
# Fit 2-nd level model
model = model.fit(S_train, y_train)
# Predict
y_pred = model.predict(S_test)
# Final prediction score
print('Final prediction score: [%.8f]' % accuracy_score(y_test, y_pred))
