学员成果分享：有关机器学习算法两种后融会策略的总结

影象组学路径图

影象组学工作站：试验结果验证服务文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

感谢《poppelmann》同窗分享的机器学习算法两种后融会策略文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

采取案例文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

乳腺癌自动诊断及数据分析文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

一、首先是staking策略，其基本思想就是将不同模型得到的结果拼接在一块儿，拼接完成后再放到下一个模型里进行预测。至关于给原始数据增添不同维度的解读，由此提高模型的精度。主要步骤如下：（在这里以XGB融会SVM dt KNN rf et LGB为例）文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

1.得到拼接后的训练集以及测试集。为此，首先需要得到每一个模型结果所对应的id,用X_train_id进行保留，一样的测试集用X_test_id 保留。文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

from sklearn.model_selection import train_test_splitX_train_colums = [&文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

二、对于ensemble操作，与stacking的思想基本相同。不同点在于，对每一个拼接的模型得到的结果进行平均或者softmax等操作。具体实现如下：文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

可以看到，fusion后的模型精度有所提高。文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

同时，因为每一个模型的精度不同样，因而可以对不同模型给予不同权重，进一步增添训练精度。具体施行如下：文章源自微观生活（93wg.com）微观生活-https://93wg.com/13085.html

weights = soft_max(acc)all_predictions = [model.predict(X_test)*weight for weight,model in zip(weights,models)]

这一次的分享就到这里，谢谢大家。如有问题，欢迎大家批判指正。