是否有可能在预先训练的模型上使用StackRegressor？

Question

我想使用科学工具包-学习的StackedRegressor来建立一个整体，但我想使用预先培训的角模型。基本上，我想利用元回归器，以最好的方式使用每个基本模型，但我不需要他们接受训练。有点像

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)

但又一次没有拟合底座模型。

Answer 1

我想你不需要stackingRegressor。

做这样的事：

prediction =[]
for reg in regressors:
     predictions.append(reg.predict(X))

xgboost.fit_predict(prediction)

Answer 2

通过描述和定义，sklearn的StackingRegressor模块使用多个回归者的预测将它们注入到另一个回归模型中

“将每个估计器的预测叠加在一起，并作为输入输入到最终的估计器中来计算预测。

因此，它不可避免地需要对某些数据进行拟合(产生算法)，以便接收(简单描述的)if-if或y=ax+bz逻辑，并将ifs和x放入方程中。

我在想，在您的场景中，您可能只需要一种集成技术，即取“最佳”(最小误差)或简单的预测平均值。更多关于本主题和用于此目的的学习模块的信息：https://scikit-learn.org/stable/modules/ensemble.html