Blending也是一种模型融合的方法，和Stacking过程很类似。
一、Blending流程图
二、算法步骤
1，原始训练数据集分割
将原始的训练数据集按照一定的比例分为训练数据集DT和验证(或者说测试)数据集DA。其中训练数据集的比例大概60-80%，如果这个比例太大的话，就会导致最终用于训练的数据样本数较少，因为最终用于训练的样本数就等于验证数据集的样本数数。预测数据集定义为DP。
2，构建模型阶段
假设要构建M个模型M1，M2，……MM。以模型Mi为例说明：对训练数据集DT进行学习，得到模型Mi。学习完毕后对验证数据DA的计算结果为DA_Mi，对预测数据集合的计算结果为DP_Mi。待M个模型全部建立完成后：
-
对验证数据得到的结果集合为DA_M1，DA_M2，……，DA_MM，其中每个结果序列都可看作一个新的特征，将这些新的特征排列起来看作一个训练数据集的输入，输出就是原始数据集中验证数据集的输出。输出和输入结合起来构成一个完整的训练数据集；
-
对预测数据得到的结果集合为DP_M1，DP_M2，……，DP_MM，其中每个结果序列都可看作一个新的特征，将这些新的特征排列起来看作一个预测数据集的输入；
-
对a中得到的训练数据集建立模型M0，学习完毕后，该模型对于b中得到的预测数据集进行计算，得到最终的结果；
三、Blending实例
1，北京Pm2.5预测(回归)
- Blending第一层各个模型的结果
-
第二层采用线性回归，依据不同方法求解的结果对比
1，公式法
2，梯度下降法
2，成年人收入(分类)
- Blending第一层各个模型的结果
- 第二层采用逻辑回归的成本函数曲线
- 最终的预测数据集结果混淆矩阵
实例代码：Blending，扫描下方二维码或者微信公众号直接搜索”Python范儿“，关注微信公众号pythonfan， 获取更多实例和代码。
