这篇文章主要介绍“Blending和Stacking的流程是什么”，在日常操作中，相信很多人在Blending和Stacking的流程是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Blending和Stacking的流程是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
“专业、务实、高效、创新、把客户的事当成自己的事”是我们每一个人一直以来坚持追求的企业文化。 创新互联公司是您可以信赖的网站建设服务商、专业的互联网服务提供商! 专注于成都网站设计、成都做网站、软件开发、设计服务业务。我们始终坚持以客户需求为导向，结合用户体验与视觉传达，提供有针对性的项目解决方案，提供专业性的建议，创新互联建站将不断地超越自我，追逐市场，引领市场！
1. Blending
1.1 Blending 流程
Blending相较于Stacking来说要简单一些，其流程大致分为以下几步：
- 将数据划分为训练集和测试集(test_set)，其中训练集需要再次划分为训练集(train_set)和验证集(val_set)；
- 创建第一层的多个模型，这些模型可以使同质的也可以是异质的；
- 使用train_set训练步骤2中的多个模型，然后用训练好的模型预测val_set和test_set得到val_predict, test_predict1；
- 创建第二层的模型,使用val_predict作为训练集训练第二层的模型；
- 使用第二层训练好的模型对第二层测试集test_predict1进行预测，该结果为整个测试集的结果 1.2 Blending 图解
2. Stacking
2.1 Stacking 流程
Stacking流程比较复杂因为涉及到交叉验证的过程，其流程与Blending类似，具体如下：
- 将数据划分为训练集和测试集(test_set)，对训练集进行划分为K个大小相似的集合，取其中一份作为验证集val_set,其余的为训练集train_set；
- 创建第一层的多个模型，这些模型可以使同质的也可以是异质的；
- 对于每一个模型来说，train_set和val_set是不一样的，如2.2图所示；然后利用各自的train_set训练各自的模型，训练好的模型对各自的val_set和test_set进行预测，得到val_predict和test_predict；
- 创建第二层的模型，将每个模型对应的val_predict拼接起来作为第二层的训练集，将所有模型的test_predict取平均值作为第二层的测试集；用训练好的第二层模型对第二层的测试集进行预测，得到的结果即为整个测试集的结果
2.2 Stacking 图解
stacking 网上有两种解释，一种是单个模型进行5次交叉验证得到一个结果，然后对每个模型都进行相同的操作，此时训练集的维度为(#样本数目 x #模型数目)；另一种是每个模型对数据的每一折输出一个结果，然后把每一折的结果拼接起来，此时的训练集维度(#样本数目 x 1)。
3. Blending与Stacking对比
Blending的优点在于：
1.比stacking简单（因为不用进行k次的交叉验证来获得stacker feature）
2.避开了一个信息泄露问题：generlizers和stacker使用了不一样的数据集
3.在团队建模过程中，不需要给队友分享自己的随机种子
而缺点在于：
1.使用了很少的数据（是划分hold-out作为测试集，并非cv）
2.blender可能会过拟合（其实大概率是第一点导致的）
3.stacking使用多次的CV会比较稳健
到此，关于“Blending和Stacking的流程是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注创新互联网站，小编会继续努力为大家带来更多实用的文章！
网页题目：Blending和Stacking的流程是什么
网站地址：
http://www.cdkjz.cn/article/jjihoe.html
