python中如何结合深度学习模型和传统机器学习模型的分类结果

Question

我有以下三个分类模型，其中我的数据标签是1或0 。

• lstm model with some timeseries data that has one node as the output (ie model.add(Dense(1, activation='sigmoid')) ) so my output is similar to [0.1, 0.1, 0.6, 0.9, ...]
• 具有特征集 1 的traditional random forest - 我正在使用 sklearn 的predict_proba ：所以我的 output 类似于[[0.9, 0.1], [0.8, 0.2], ...]
• 具有特征集 2 的traditional random forest - 我正在使用 sklearn 的predict_proba ：所以我的 output 类似于[[0.8, 0.2], [0.9, 0.1], ...]

我想结合我的三个模型的预测得到一个反映我的分类的概率列表。 我在 SO 中搜索了这个，但是像装袋和堆叠这样的建议对我来说是不可能的，因为我也在考虑使用 lstm model。

我想知道是否有任何其他方法可以用来在 python 中组合这些预测概率。

如果需要，我很乐意提供更多详细信息。

Answer 1

您可以执行两种解决方案之一，但首先您需要使 output 的表示对于三个模型相同，因此对于第二个和第三个模型pred_2 = [y[0] for y in pred_2]看起来像第一个 model . （y[0] 或 y[1] 取决于您的第一个模型中概率的含义）。

第一个解决方案是通过计算三个列表的平均值来进行majority_voting = [v/3.0 for v in[sum(x) for x in zip(pred_1, pred_2, pred_3)]]投票

第二种解决方案有点困难，因为您可以使用另一个深度学习 model 使其在三个模型中选择最佳结果。 You need to prepare the data_x as list that has three columns a column for each model output and data_y the same labels for your original data, by doing so you are letting the model to learn how to use the three models to predict the output instead of只是多数投票。