当各个分类器适合不同的数据集时，如何在 sklearn 中构建投票分类器

Question

我正在使用高度不平衡的数据构建一个分类器。我在测试中感兴趣的策略是使用 3 个不同的重采样数据集集成模型。换句话说，每个数据集将包含稀有类的所有样本，但只有丰富类的 n 个样本(本文中提到的技术 #4(。

我想在每个重采样数据集上拟合 3 个不同的VotingClassifiers，然后使用另一个VotingClassifier(或类似(组合各个模型的结果。我知道构建单个投票分类器如下所示：

# First Model
rnd_clf_1 = RandomForestClassifier()
xgb_clf_1 = XGBClassifier()
voting_clf_1 = VotingClassifier(
    estimators = [
        ('rf', rnd_clf_1), 
        ('xgb', xgb_clf_1),
    ],
    voting='soft'
)
# And I can fit it with the first dataset this way:
voting_clf_1.fit(X_train_1, y_train_1)

但是，如果它们适合

不同的数据集，如何堆叠它们三个？例如，如果我有三个拟合模型(请参阅下面的代码(，我可以构建一个函数，在每个模型上调用.predict_proba()方法，然后"手动"平均各个概率。

但。。。有没有更好的方法？

# Fitting the individual models... but how to combine the predictions?
voting_clf_1.fit(X_train_1, y_train_1)
voting_clf_2.fit(X_train_2, y_train_2)
voting_clf_3.fit(X_train_3, y_train_3)

谢谢！

Answer 1

通常，本文中显示的 #4 方法是使用相同类型的分类器实现的。看起来您想尝试对每个示例数据集进行VotingClassifier。

在imblearn.ensemble.BalancedBaggingClassifier中已经实现了这种方法，它是Sklearn Bagging方法的扩展。

您可以将估算器作为VotingClassifier，将估计器的数量作为次数，以执行数据集采样。使用sampling_strategy参数提及您希望在多数类上缩放的比例。

工作示例：

from collections import Counter
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from sklearn.ensemble import RandomForestClassifier
import xgboost as xgb
from sklearn.ensemble import RandomForestClassifier, VotingClassifier
from imblearn.ensemble import BalancedBaggingClassifier # doctest: +NORMALIZE_WHITESPACE
X, y = make_classification(n_classes=2, class_sep=2,
weights=[0.1, 0.9], n_informative=3, n_redundant=1, flip_y=0,
n_features=20, n_clusters_per_class=1, n_samples=1000, random_state=10)
print('Original dataset shape %s' % Counter(y))
X_train, X_test, y_train, y_test = train_test_split(X, y,
                                                    random_state=0)
rnd_clf_1 = RandomForestClassifier()
xgb_clf_1 = xgb.XGBClassifier()
voting_clf_1 = VotingClassifier(
    estimators = [
        ('rf', rnd_clf_1), 
        ('xgb', xgb_clf_1),
    ],
    voting='soft'
)
bbc = BalancedBaggingClassifier(base_estimator=voting_clf_1, random_state=42)
bbc.fit(X_train, y_train) # doctest: +ELLIPSIS
y_pred = bbc.predict(X_test)
print(confusion_matrix(y_test, y_pred))

看这里。也许您可以在手动拟合估算器后重用_predict_proba()和_collect_probas()函数。