如何解决结合单独训练的 sklearn 分类器的最佳方法是什么?
场景如下: 我想结合使用不同数据训练的三个 scikit 学习分类器(例如:3 个 SVM 分类器),但最终模型(实际预测实例的模型)需要是一个集成/堆叠或一个简单考虑的模型三个辅助分类器。
让分类器为 SVM1、SVM2 和 SVM3 以及可用的训练子集 TS1、TS2 和 TS3。 SVM1 将配备 TS1; SVM2 将配备 TS2; SVM3 将配备 TS3。
将预测新实例的最终模型需要是 SVM1、SVM2 和 SVM3 的集合。 我不想用相同的数据拟合所有 3 种辅助方法。我想将整个训练数据划分为子集(TS1、TS2、TS3),并用不同的子集拟合每个辅助分类器。
有什么想法吗?
解决方法
如果您有 1 个数据集和 3 个 SVM
模型,您可以使用 Voting Regressor
中的 Scikit-Learn
,它将在相同数据上训练 3 个不同的 SVM
模型,并通过取他们预测的平均值。但是你想在 3 个不同的数据集上训练 3 个 SVM
模型,你必须自己投票。像这样:
model1 = SVR()
model2 = SVR()
model3= SVR()
model1.fit(TS1_x,TS1_y)
model2.fit(TS2_x,TS2_y)
model3.fit(TS3_x,TS3_y)
pred1 = model1.predict(test)
pred2 = model2.predict(test)
pred3 = model3.predict(test)
finalpred = (pred1 + pred2 + pred3) / 3
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。