前言

研究机器学习模型，有时觉得单一模型有其局限性，加另一个模型进去，效果会不会好点，或者将二者进行结合输出。目前市面上的一些文章，尤其喜欢使用融合模型。接下来简单聊聊融合的方式。

1 融合对象

融合对象，是指我们要对什么进行融合，这里是指不同的算法、模型和个体学习器等等。
融合对象的基本信息：

• 训练数据：数据集使用比例、预处理方法
• 模型结构：RF、XGBoost、CatBoost、CNN、LSTM等;
• 超参：随机种子数、权重初始化、损失函数等。

2 融合方法

2.1 投票法

对多个学习器的预测结果进行投票，即少数服从多数。投票法有两种：普通投票法和加权投票法。加权的权重可以人工主观设置或者根据模型评估分数来设置权重

2.2 平均法

• 算术平均

每个模型的权重一样

• 几何平均

相乘开方

• 加权平均

加个权重，权重的参考选择

2.3 排序法

排序法的具体步骤如下：

• (1) 对预测结果进行排序；
• (2) 对排序序号进行平均；
• (3) 对平均排序序号进行归一化。

也可选择最大的几个值，怎么选，制定一个标准才行

2.3 堆叠法

• 一个模型对数据进行处理，另一个模型也对数据进行处理，二者结合
• 一个模型处理数据，另一个模型在前一个基础上进行处理
• 对模型预测的结果，进行分析处理
• 一个预测前，一个预测后结合处理

3 总结

• 融合模型可以带来精度或者指标上的提升，但是会增加额外开销，比如说时间、效率。
• 融合模型还得看具体适用场景，也不能一概而论。