我使用银行数据来预测每天的票数。我正在使用堆叠来获得更准确的结果并使用 brew图书馆。
这是重要特征的示例数据集:
[ ] 这是目标属性示例:
[ ]
代码如下:
from stacked_generalization.lib.stacking import StackedClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression, RidgeClassifier
# Stage 1 model
bclf = LogisticRegression(random_state=1)
# Stage 0 models
clfs = [RandomForestClassifier(n_estimators=40, criterion = 'gini', random_state=1),
gbm,
RidgeClassifier(random_state=1)]
sl = StackedClassifier(bclf, clfs)
sl.fit(training.select_columns(features).to_dataframe().as_matrix(), np.array(training['class']))
这是训练数据格式:
[[ 21 11 2014 46 4 3]
[ 22 11 2014 46 5 4]
[ 24 11 2014 47 0 4]
...,
[ 30 9 2016 39 4 5]
[ 3 10 2016 40 0 1]
[ 4 10 2016 40 1 1]]
但是,我将我的代码与库中给出的示例进行了比较,但仍然无法弄清楚我哪里出错了。请帮助我。
请您参考如下方法:
我有一个类似的问题,似乎只是 brew 中的一个错误需要修复。问题是 c.classes_(或类数)返回一个带有 float 的 numpy 数组(例如,如果你有两个类,它返回 [0.0, 1.0] 而不是整数([0,1])。代码试图使用这些 float 来索引列,但你不能用 float 来索引 numpy 列。
probas.shape = # rows = # 训练样本; # columns = # of classes
c.predict_proba(X) 返回每个训练示例的每个类的概率。
probas[:, list(c.classes_)] = c.predict_proba(X)
应该将 X 中每一行的每个类别的概率放入 probas 中,使用 class # 索引 probas 中的列。
如果你添加 astype(int) 这会起作用
probas[:, list(et.classes_.astype(int))] = et.predict_proba(X)
或者只是
probas = np.copy(et.predict_proba(X))
