昨天，我们给大家分享了集成模型stacing算法相关内容的（上），今天我们再给大家分享（下）的部分：
本次总体内容，分享大纲如下：
Part1. stacking的原理及框架结构
Part2. stacking在实际工作中的使用分享
Part3. 实操演示搭建stacking框架
Part4. Stacking效果展示
好了，废话不多说，今天我们来手撕Stacking算法。
Part3. 实操演示搭建stacking框架
实操的数据来自某项目现金贷数据集，我们预先做了清洗和处理。搭建的stacking有两层，第一层用各种集成算法来构建基模型，第二层用LR。
代码的运行过程（python）：
1.导入各种算法包和数据
2.划分训练集和测试集
3.设定每个基模型的训练参数，这里的算法用到了xgboost，lightgbm，随机森林，极端随机树，catboost，adaboost，GBDT这7种算法。由于这些都是树模型，参数类似，所以每个算法的之间的参数值要体现差异性。
4.搭建第一层stacking的框架，这里采用K折交叉验证，每个基模型预测的结果都转换成模型分。
5.第一层stacking训练，生成新的训练集和测试集
6.第二层stacking训练，用LR做模型融合。并对新测试集做预测
Part4. Stacking效果展示
stacking模型与单模型的效果对比，我们拿算法性能不错的catboost进行比较，用KS作为评估指标，可以看到单模型catboost 测试集KS为0.372，stacking模型的KS为0.396，相比单模型提升了0.024 的KS。
本文中所涉及实操代码与数据集是本周，星球打榜赛的作业，各位要练手的同学请到知识星球平台查收本次内容，本周我们将会公布答案，具体请看：
本次集成模型完整内容请看：
~原创文章
…
end