Stacking
stacking的过程有一张图非常经典，如下：
::: hljs-center
:::
::: hljs-center
:::
上半部分是用一个基础模型进行**5折交叉验证**，如：用XGBoost作为基础模型Model1，5折交叉验证就是先拿出四折作为training data，另外一折作为testing data。注意：在stacking中此部分数据会用到整个traing set。如：假设我们整个training set包含**10000**行数据，testing set包含**2500**行数据，那么每一次交叉验证其实就是对training set进行划分，在每一次的交叉验证中training data将会是**8000**行，testing data是**2000**行。
**每一次的交叉验证包含两个过程：**
1. 基于training data训练模型；
2. 基于training data训练生成的模型对testing data进行预测。
在整个第一次的交叉验证完成之后我们将会**得到关于当前testing data的预测值**，这将会是一个一维2000行的数据，记为a1。注意！在这部分操作完成后，我们还要**对数据集原来的整个testing set进行预测**，这个过程会生成2500个预测值，这部分预测值将会作为下一层模型testing data的一部分，记为b1。因为我们进行的是5折交叉验证，所以以上提及的过程将会进行五次，最终会生成针对testing set数据预测的5列2000行的数据a1,a2,a3,a4,a5，对testing set的预测会是5列2500行数据b1,b2,b3,b4,b5。
在完成对Model1的整个步骤之后，我们可以发现a1,a2,a3,a4,a5其实就是对原来整个training set的预测值，将他们拼凑起来，会形成一个10000行一列的矩阵，记为A1。而对于b1,b2,b3,b4,b5这部分数据，我们将各部分相加取平均值，得到一个2500行一列的矩阵，记为B1。
以上就是stacking中一个模型的完整流程，stacking中同一层通常包含多个模型，假设还有Model2: LR，Model3：RF，Model4: GBDT，Model5：SVM，对于这四个模型，我们可以重复以上的步骤，在整个流程结束之后，我们可以得到新的A2,A3,A4,A5,B2,B3,B4,B5矩阵。
在此之后，我们把A1,A2,A3,A4,A5并列合并得到一个10000行五列的矩阵作为training data，B1,B2,B3,B4,B5并列合并得到一个2500行五列的矩阵作为testing data。让下一层的模型，基于他们进一步训练。
以上即为stacking的完整步骤！
---
转载：[Stacking](https://blog.csdn.net/weixin_41654661/article/details/86597854)