【SPA大赛】腾讯广告点击大赛：对stacking的一些基本介绍

这次给大家分享的是stacking的一些基本知识，希望对大家有帮助。

　　现在比赛进入了白热化阶段，并且马上要切换决赛B榜了，很多队伍都开始想着融合模型进行提高，大家讨论最多的一个就是stacking框架，但是在群里看到好多好多同学还没有搞明白stacking框架到底是什么结构？要怎么运行？有什么注意点？有没有变种？等等一些列问题。在哆啦的提醒下，今天写这篇文章就按我自己的理解普及下stacking的一些知识（如果有不对的地方欢迎大家指正~）。

　　首先，在我看来stacking严格来说不能称为一种算法，我理解的是一种非常精美而复杂的对模型的集成策略。大家都知道，在给定了数据集的情况下，数据内部的空间结构和数据之间的关系是非常复杂的。而不同的模型，其实很重要的一点就是在不同的角度去观测我们的数据集。我举个例子，KNN可能更加关注样本点之间的距离关系（包括欧几里得距离（Euclidean Distance）、明可夫斯基距离（Minkowski Distance等等），当样本距离相对较近，KNN就把他们分为一类；而决策树，可能更加关注分裂节点时候的不纯度变化，有点像我们自己找的规则，在满足某个条件且满足某个条件的情况下，决策树把样本分为一类等等。也就是说，不同的算法模型，其实是在不同的数据空间角度和数据结构角度来观测数据，然后再依据它自己的观测，结合自己的算法原理，来建立一个模型，在新的数据集上再进行预测。这样大家就会有个疑问了，俗话说：三人行必有我师。既然是不同的算法对数据有不同的观测，那么我们能不能相互取长补短，我看看你的观测角度，你看看我的观测角度，咱俩结合一下，是不是可以得到一个更加全面更加优秀的结果呢？答案是肯定的。在我当初学基础算法的时候就有这么一个疑问，但是不知道怎么结合，直到有一天看到了stacking的框架，瞬间感觉找到了一片新天地。下面我从以下几个方面介绍stacking：

一、stacking的框架结构与运行过程

　　刚开始看stacking好像是交叉检验的既视感，其实并不是这样。假设是五折的stacking，我们有一个train数据集和一个test数据集，那么一个基本的stacking框架会进行如下几个操作：

1. 选择基模型。我们可以有xgboost，lightGMB，RandomForest，SVM，ANN，KNN，LR等等你能想到的各种基本算法模型；
2. 把训练集分为不交叉的五份。我们标记为train1到train5；
3. 从train1开始作为预测集，使用train2到train5建模，然后预测train1，并保留结果；

然后，以train2作为预测集，使用train1，train3到train5建模，预测train2，并保留结果；如此进行下去，直到把train1到train5各预测一遍；

1. 在上述建立的五个模型过程中，每个模型分别对test数据集进行预测，并最终保留这五列结果，然后对这五列取平均，作为第一个基模型对test数据的一个stacking转换；
2. 把预测的结果按照train1到trian5的位置对应填补上，得到对train整个数据集在第一个基模型的一个stacking转换；
3. 选择第二个基模型，重复以上2-5操作，再次得到train整个数据集在第二个基模型的一个stacking转换；
4. 以此类推。有几个基模型，就会对整个train数据集生成几列新的特征表达。同样，也会对test有几列新的特征表达；
5. 一般使用LR作为第二层的模型进行建模预测。

大家看到这里可能有些不清楚，下面我画个图直观解释一下：

　　　　　　　　　　　　　　　　　图1 stacking的框架及预测（1）

　　上面这个框架说明的是：对训练数据进行无重复的五次划分之后，分别对其中每一部分进行一次预测，而预测的模型就是由其余四部分训练的；并且在预测了预测集之后，还需要对我们的test数据集也进行一次预测，这这样就会得到5个N/5行、1列的对train数据集的特征转换，和5个M行、1列的对test数据集的特征转换，由此进入下一个图。

　　　　　　　　　　　　　　　　　图2  stacking的框架及预测（2）

　　这个图说明的是对五部分的train分别预测之后再组成对train的新的表达，由5个5/N行一列的预测组成一个N行1列预测结果，从而得到对train的新表达；同时，对test的结果也进行处理，由于是5个模型对test的预测，所以要取平均，使得五列平均为一列，从而得到对test的新表达。

　　至此，整个stacking的框架和运作流程介绍完毕，希望大家通过上面这一部分，能对stacking的整个框架和运作流程有个比较清晰的认识。

二、使用stacking的一些注意事项：

　　经过上一部分的介绍，想必大家感觉到stacking的威力可能很大，事实上也是这样的。但是仍然有一些需要注意的地方，简单介绍几点：

1. stacking的框架设计比较复杂，对于一个基模型要训练5次，如果你的一个xgb模型要训练2个小时，即使在进行stacking的时候每折减少了五分之一的数据量，你的计算时间仍然是很可观的，加起来应该还是8-9小时，所以耗费时间很长（想像一下一个stacking框架跑一个基模型要大半天，简直太可怕）。所以建议大家在使用的时候要计算时间的耗费，或者可以改为3折，4折等等；
2. 我们前面讲过了，stacking框架是集成了不同的算法，充分利用不同算法从不同的数据空间角度和数据结构角度的对数据的不同观测，来取长补短，优化结果。所以，我们的基模型除了是不同参数的相同模型之外，比如不同参数的xgboost，或者不同K值的KNN等等；更重要的是要尽可能的多加一些不同种类的基模型进去，也就是说所谓的模型要“跨越空间”的概念。这样的话我们的集成结果会更加稳健，更加精确（曾经见过一个比赛集成了上百个基模型的stacking框架获奖，当然用在我们这次比赛中好像不大合适O(∩_∩)O哈哈~）

三、stacking的一些基本变种改进

　　在变种改进方面，我们可以不仅对模型进行融合，还可以对特征级进行一些变化，比如选部分特征做stacking；或者对stacking的结果进行再次的stacking，我们上面介绍的是两层的stacking，可以有3层，或者更多。但是时间复杂度很高，效果并不一定明显。

　　好了，不知不觉洋洋洒洒写了两千多个字（自己画的两个图有点丑不要介意），希望这篇文章能对大家理解stacking和应用stacking有所帮助，并且实实在在的提高比赛得分~

　　祝大家最后一周都能取得理想的成绩！