我试图将3个模型组合成一个整体模型:
注意:这里的所有代码都使用了插入符号的train()函数。
> Bayes_model
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 75305, 75305, 75306, 75305, 75306, 75307, ...
Resampling results:
ROC Sens Spec
0.5831236 1 0
>linear_cv_model
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 75306, 75305, 75305, 75306, 75306, 75305, ...
Resampling results:
ROC Sens Spec
0.5776342 1 0
>rf_model_best
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 75305, 75305, 75306, 75305, 75306, 75307, ...
Resampling results:
ROC Sens Spec
0.5551996 1 0
单独地,3个模型在55-60范围内具有非常差的AUC,但是不是非常相关,所以我希望将它们合奏。这是R中的基本代码:
Bayes_pred = predict(Bayes_model,train,type="prob")[,2]
linear_pred = predict(linear_cv_model,train,type="prob")[,2]
rf_pred = predict(rf_model_best,train,type="prob")[,2]
stacked = cbind(Bayes_pred,linear_pred,rf_pred,train[,"target"])
因此,这会产生一个包含4列的数据框,三个模型预测和目标。我认为现在的想法是在这三个预测变量上运行另一个元模型,但是当我这样做时,无论我尝试使用XGBoost超参数的哪种组合,我得到的AUC为1,所以我知道出了问题。
这个设置在概念上是不正确的吗?
meta_model = train(target~ ., data = stacked,
method = "xgbTree",
metric = "ROC",
trControl = trainControl(method = "cv",number = 10,classProbs = TRUE,
summaryFunction = twoClassSummary
),
na.action=na.pass,
tuneGrid = grid
)
结果:
>meta_model
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 75306, 75306, 75307, 75305, 75306, 75305, ...
Resampling results:
ROC Sens Spec
1 1 1
我觉得在CV折叠中,完美的AUC绝对是数据错误的指示。当在这个元模型上尝试逻辑回归时,我也得到了完美的分离。它没有意义。
> summary(stacked)
Bayes_pred linear_pred rf_pred Target
Min. :0.01867 Min. :0.02679 Min. :0.00000 No :74869
1st Qu.:0.08492 1st Qu.:0.08624 1st Qu.:0.01587 Yes: 8804
Median :0.10297 Median :0.10339 Median :0.04762
Mean :0.10520 Mean :0.10522 Mean :0.11076
3rd Qu.:0.12312 3rd Qu.:0.12230 3rd Qu.:0.07937
Max. :0.50483 Max. :0.25703 Max. :0.88889
我知道这不是可重现的代码,但我认为这是一个不依赖数据集的问题。如上所示,我有三个不同的预测,当然也没有单独的AUC值。结合我应该看到一些改进,但不是完美的分离。
编辑:使用T. Scharf的非常有用的建议,这里是我如何抓住在元模型中使用的折叠预测。预测将存储在" pred"下的模型中,但预测不是原始顺序。您需要重新排序它们才能正确堆叠。
使用dplyr的arrange()函数,这就是我对贝叶斯'的预测。模型:
Bayes_pred = arrange(as.data.frame(Bayes_model$pred)[,c("Yes","rowIndex")],rowIndex)[,1]
就我而言," Bayes_model"是插入符号列车的对象和"是"是我正在建模的目标类。
答案 0 :(得分:1)
这是发生了什么
当你这样做时
Bayes_pred = predict(Bayes_model,train,type="prob")[,2]
linear_pred = predict(linear_cv_model,train,type="prob")[,2]
rf_pred = predict(rf_model_best,train,type="prob")[,2]
这就是问题
您需要 out of fold 预测或测试预测作为训练元模型的输入。
您目前正在使用经过培训的模型以及您训练过的数据。这将产生过于乐观的预测,你现在正在为元模型提供培训。
一个好的经验法则是永远不要用模型调用数据预测 已经看过那些数据,没有任何好处可以发生。
以下是您需要做的事情:
当您训练最初的3个模型时,请使用method = cv
和savePredictions = TRUE
这将保留可用于训练元模型的折叠预测。
为了说服自己,您对元模型的输入数据非常乐观,请为此对象的3列计算单个AUC
:
stacked = cbind(Bayes_pred,linear_pred,rf_pred,train[,"target"])
与目标相比---它们会非常高,这就是为什么你的元模型如此优秀。它使用了过于好的输入。
希望这有帮助,元建模很难......