Python 可以在预训练模型上使用StackRegressor吗?
我想使用scikit learn的StackedDegressor来构建一个合奏,但我想使用预训练的keras模型。基本上,我想利用元回归以最好的方式使用每个基本模型,但我不需要对它们进行训练。差不多Python 可以在预训练模型上使用StackRegressor吗?,python,keras,scikit-learn,Python,Keras,Scikit Learn,我想使用scikit learn的StackedDegressor来构建一个合奏,但我想使用预训练的keras模型。基本上,我想利用元回归以最好的方式使用每个基本模型,但我不需要对它们进行训练。差不多 regressor_1 = KerasRegressor(build_fn) regressor_2 = KerasRegressor(build_fn) regressor_3 = KerasRegressor(build_fn) regressors = [('r1', regressor_1
regressor_1 = KerasRegressor(build_fn)
regressor_2 = KerasRegressor(build_fn)
regressor_3 = KerasRegressor(build_fn)
regressors = [('r1', regressor_1),
('r2', regressor_2),
('r3', regressor_3)]
xgboost = XGBRegressor(learning_rate=0.01, n_estimators=3460,
max_depth=3, min_child_weight=0,
gamma=0, subsample=0.7,
colsample_bytree=0.7,
objective='reg:linear', nthread=-1,
scale_pos_weight=1, seed=27,
reg_alpha=0.00006)
stack_gen = StackingRegressor(estimators=regressors,
final_estimator=xgboost,
n_jobs=-1)
但同样没有安装基本模型。我认为您不需要使用
堆叠回归器
这样做:
prediction =[]
for reg in regressors:
predictions.append(reg.predict(X))
xgboost.fit_predict(prediction)
通过描述和定义,sklearn的StackingRegressionor模块使用多元回归器的预测将其注入另一个回归模型
“每个估计器的预测都被叠加在一起,然后
用作最终估计器的输入,以计算预测。”
因此,为了接收(简单描述)if-then或y=ax+bz逻辑,并将ifs和x-z放入方程中,不可避免地需要对某些数据进行拟合(生成算法)
我在想,在你的场景中,你可能只需要一个集合技术,即取“最佳”(误差最小)或简单地取预测的平均值。
更多关于该主题和sklearn模块的信息: