本文以Kaggle的Titanic入門比賽來(lái)講解stacking的應(yīng)用（兩層?。?/p>

數(shù)據(jù)的行數(shù)：train.csv有890行，也就是890個(gè)人，test.csv有418行（418個(gè)人）。

而數(shù)據(jù)的列數(shù)就看你保留了多少個(gè)feature了，因人而異。我自己的train保留了 7+1（1是預(yù)測(cè)列）。

在網(wǎng)上為數(shù)不多的stacking內(nèi)容里，相信你早看過(guò)了這張圖：

這張圖，如果你能一下子就能看懂，那就OK。

如果一下子看不懂，就麻煩了，在接下來(lái)的一段時(shí)間內(nèi)，你就會(huì)臥槽臥槽地持續(xù)懵逼。。.。。.

因?yàn)檫@張圖極具‘誤導(dǎo)性’。（注意！我沒說(shuō)這圖是錯(cuò)的，盡管它就是錯(cuò)的！?。〉窃诰W(wǎng)上為數(shù)不多教學(xué)里有張無(wú)碼圖就不錯(cuò)啦，感恩吧，我這個(gè)小弱雞）。

我把圖改了一下：

對(duì)于每一輪的 5-fold，Model 1都要做滿5次的訓(xùn)練和預(yù)測(cè)。

Titanic ：

Train Data有890行。（請(qǐng)對(duì)應(yīng)圖中的上層部分）

每1次的fold，都會(huì)生成 713行 小train， 178行 小test。我們用Model 1來(lái)訓(xùn)練 713行的小train，然后預(yù)測(cè) 178行 小test。預(yù)測(cè)的結(jié)果是長(zhǎng)度為 178 的預(yù)測(cè)值。

這樣的動(dòng)作走5次！ 長(zhǎng)度為178 的預(yù)測(cè)值 X 5 = 890 預(yù)測(cè)值，剛好和Train data長(zhǎng)度吻合。這個(gè)890預(yù)測(cè)值是Model 1產(chǎn)生的，我們先存著，因?yàn)椋粫?huì)讓它將是第二層模型的訓(xùn)練來(lái)源。

重點(diǎn)：這一步產(chǎn)生的預(yù)測(cè)值我們可以轉(zhuǎn)成 890 X 1 （890 行，1列），記作 P1 （大寫P）

接著說(shuō) Test Data 有 418 行。（請(qǐng)對(duì)應(yīng)圖中的下層部分，對(duì)對(duì)對(duì)，綠綠的那些框框）

每1次的fold，713行 小train訓(xùn)練出來(lái)的Model 1要去預(yù)測(cè)我們?nèi)康腡est Data（全部！因?yàn)門est Data沒有加入5-fold，所以每次都是全部?。?。此時(shí)，Model 1的預(yù)測(cè)結(jié)果是長(zhǎng)度為418的預(yù)測(cè)值。

這樣的動(dòng)作走5次！我們可以得到一個(gè) 5 X 418 的預(yù)測(cè)值矩陣。然后我們根據(jù)行來(lái)就平均值，最后得到一個(gè) 1 X 418 的平均預(yù)測(cè)值。

重點(diǎn)：這一步產(chǎn)生的預(yù)測(cè)值我們可以轉(zhuǎn)成 418 X 1 （418行，1列），記作 p1 （小寫p）

走到這里，你的第一層的Model 1完成了它的使命。

第一層還會(huì)有其他Model的，比如Model 2，同樣的走一遍， 我們有可以得到 890 X 1 （P2） 和 418 X 1 （p2） 列預(yù)測(cè)值。

這樣吧，假設(shè)你第一層有3個(gè)模型，這樣你就會(huì)得到：

來(lái)自5-fold的預(yù)測(cè)值矩陣 890 X 3，（P1，P2， P3） 和 來(lái)自Test Data預(yù)測(cè)值矩陣 418 X 3， （p1， p2， p3）。

到第二層

來(lái)自5-fold的預(yù)測(cè)值矩陣 890 X 3 作為你的Train Data，訓(xùn)練第二層的模型

來(lái)自Test Data預(yù)測(cè)值矩陣 418 X 3 就是你的Test Data，用訓(xùn)練好的模型來(lái)預(yù)測(cè)他們吧。

最后 ，放出一張Python的Code，在網(wǎng)上為數(shù)不多的stacking內(nèi)容里， 這個(gè)幾行的code你也早就看過(guò)了吧，我之前一直卡在這里，現(xiàn)在加上一點(diǎn)點(diǎn)注解，希望對(duì)你有幫助：