如何解决使用 VotingClassifier() 构建随机森林模型的集合
我正在尝试使用 Sklearn 的 VotingClassifier() 构建一些模型的集合,以查看它是否比单个模型更有效。我正在以两种不同的方式进行尝试。
- 我正在尝试使用单独的随机森林、梯度提升和 XGBoost 模型来做到这一点。
- 我正在尝试使用许多随机森林模型的集合来构建它(对 n_estimators 和 max_depth 使用不同的参数。
在第一个条件下,我正在这样做
estimator = []
estimator.append(('RF',RandomForestClassifier(bootstrap=True,ccp_alpha=0.0,class_weight=None,criterion='gini',max_depth=8,max_features='auto',max_leaf_nodes=None,max_samples=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=2,min_weight_fraction_leaf=0.0,n_estimators=900,n_jobs=-1,oob_score=True,random_state=66,verbose=0,warm_start=True)))
estimator.append(('GB',GradientBoostingClassifier(ccp_alpha=0.0,criterion='friedman_mse',init=None,learning_rate=0.03,loss='deviance',max_depth=5,max_features=None,n_estimators=1000,n_iter_no_change=None,presort='deprecated',subsample=1.0,tol=0.0001,validation_fraction=0.1,warm_start=False)))
estimator.append(('XGB',xgb.XGBClassifier(base_score=0.5,booster='gbtree',colsample_bylevel=1,colsample_bynode=1,colsample_bytree=1,gamma=0,learning_rate=0.1,max_delta_step=0,max_depth=9,min_child_weight=1,n_jobs=1,nthread=None,objective='binary:logistic',random_state=0,reg_alpha=0,reg_lambda=1,scale_pos_weight=1,seed=None,silent=None,subsample=1,verbosity=1)))
当我这样做时
ensemble_model_churn = VotingClassifier(estimators = estimator,voting ='soft')
并显示 ensemble_model_churn,我得到了输出中的所有内容。
但在第二种情况下,我正在这样做
estimator = []
estimator.append(('RF_1',RandomForestClassifier(n_estimators=500,warm_start=True)))
estimator.append(('RF_2',max_depth=6,warm_start=True)))
estimator.append(('RF_3',max_depth=7,warm_start=True)))
estimator.append(('RF_4',warm_start=True)))
等等。我有 30 种不同的模型。
但是这一次,当我这样做
ensemble_model_churn = VotingClassifier(estimators = estimator,voting ='soft')
并显示它,我只得到第一个,而不是其他的。
print(ensemble_model_churn)
>>>VotingClassifier(estimators=[('RF_1',n_estimators=500,n_jobs=None,oob_score=...
criterion='gini',oob_score=False,random_state=None,warm_start=True))],flatten_transform=True,voting='soft',weights=None)
为什么会这样?不能运行相同模型的集成吗?
解决方法
您看到的估算器不止一个,只是有点难以分辨。请注意第一个 ...
参数后面的省略号 (oob_score
),并且在这些后面重复了一些超参数。 Python 只是不想打印如此巨大的文本墙,并且已经修剪掉了中间的大部分内容。您可以检查 len(ensemble_model_churn.estimators) > 1
。
另一个注意事项:sklearn 非常反对在模型启动时进行任何验证,更喜欢在拟合时进行此类检查。 (这是因为他们在网格搜索等中克隆估算器的方式。)因此,在您调用 fit
之前,您的显式输入不太可能更改任何内容。
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。