stacking模型融合波斯顿房价预测

Stacking模型融合是一种通过将多个基础模型的预测结果作为输入，再经过一层次的次级模型进行预测的方法。在波士顿房价预测中，使用了6个备选模型（Lasso，Ridge，SVR，KernelRidge，ElasticNet，BayesianRidge）进行了Stacking模型融合。
首先，这6个备选模型的预测结果被组合成一个(1458, 6)大小的预测矩阵。然后，将这个预测矩阵加入到训练集中，扩大了特征量。使用扩充后的训练集来训练Stacking模型，最终得分为0.1018。这表明再次训练后的模型性能更好。

接下来，还尝试了使用加权平均的方法进行模型融合。根据备选模型的得分情况，选择了得分最佳的6个模型，并根据它们的得分情况分配了权重。具体的模型和权重信息未提供。

最后，通过将Stacking模型融合后的数据再次加入原训练集中，并训练Stacking模型，得到了最终的预测模型。该模型在测试集上的预测结果为0.1178。提交到Kaggle平台后，该项目成功挤进前3%。

总结一下，Stacking模型融合在波士顿房价预测中被使用，并且通过将多个备选模型的预测结果进行组合和集成，得到了更好的预测性能。