数据挖掘-Blending策略简介
浅谈Blending方法
在上一篇文章里，介绍了一个融合学习的方法，也就是Stacking方法，本次文章将会介绍一个在实战里很广泛实用的策略，就是Blending方法，翻译过来是混合策略，它的思路有点类似Stacking，都是利用之前模型训练并预测的结果作为当前模型的输入，但是Blending方法的处理思路和步骤相对于Stacking来说更为简单一些。
对于融合学习的策略来说，Bagging的策略属于并行的投票形式，使用者需要保证如何进行voting从而得到最为公平的投票形式，并且最利于当前数据的预测。而Boosting的策略是属于串行的学习模式，使用者需要保证下一个模型如何利用之前模型的错误和经验，并且如何调整预测错误的数据的权重。对于Stacking策略和Blending策略来说，其实都是堆叠的策略模式，使用者通过简单的分类器进行第一层的学习，将它们的预测值作为第二层的特征输入，所以整体大模型其实是并行和串行混合的结构，同时使用者需要注意的是在使用混合策略的时候，选取第二次模型和调整相应的参数是比较重要的。
在一些特殊数据场景的问题上，有时候可以先尝试使用Blending模型，因为相对来说比Stacking简单一些，虽然使用BP神经网络、支持向量机、随机森林、XGBoost等模型的准确率在75%到95%之间，但可以用混合策略模型再进行一点提升，按实战场景来看，效果取决于使用的数据情况，部分数据可能提升只有1到2个百分点，但某些特殊的数据情况可以达到5到6个百分点，如果确实有提升效果，那么可以继续使用Stacking的策略来尝试，理论上会效果更好一些。那么Blending方法的大致步骤如下：
1）首先把数据分为训练集和测试集，比例大约为7：3或者8：2，同时在训练集内部再次进行分割，取出训练集的10%到15%作为验证集，剩下的数据作为真正的训练集。然后选取第一层的模型，并且初始化这些模型的参数。
2）在使用了第一层多个模型训练以后，使用验证集进行训练，并且将第一层模型的预测结果作为第二次的训练集的输入特征，同时真实标签也带入第二层模型。
3）在第二层的训练过程中，选取一个较为简单稳健的模型来训练，最终得到预测结果。
在某种程度上，Stacking方法是在某些竞赛中是非常强的，有时候甚至比深度学习模型的预测效果更好，但是训练较为缓慢。而Blending模型其实是比Stacking简单且快速，因为无需使用K折交叉验证处理，而是直接通过独立的Hold-out形式来处理，所以可以避免数据信息泄露（数据穿越）的问题，但同样由于不做K折交叉验证处理就会导致过拟合，所以要结合具体的数据来决定使用哪种策略。
总的来说，Blending的学习方法是一种非常新颖的机器学习方法，是一位大佬在Netflix竞赛中首先提出并使用的，这种策略比之前提到的Stacking策略更简洁，而且可以使用各种模型进行组合使用，但是它的准确率提升不会太大，从某种角度来说是一种“锦上添花”的策略，而且还需要某些特殊的数据场景才能得到一定的提升。对于初学者来说，需要熟悉并掌握这种思路，尤其是大数据场景里，使用Stacking的成本比较高，因此可以使用Blending策略进行融合学习，从而提升预测的准确率和稳健性。