声明：这篇博文是我基于一篇网络文章翻译的，并结合了自己应用中的一些心得，如果有侵权，请联系本人删除。
最近做推荐的时候，开始接触到Stacking方法，在周志华老师的西瓜书中，Stacking方法是在Bagging，Bosting方法后的模型集成方法，和投票法，简单平均法，加权平均法等方法在同一个讨论框架中。在网上查资料，也有学者认为Stacking方法是和Bagging，Bosting方法在同一个讨论框架中，我个人更加赞成周志华老师的论断，因为Stacking必须在模型差异较大，最好是不同模型，各有侧重的情况下，可能能够得到更好的集成效果，而Bagging和Bosting通常都是用的同一类模型，只是在训练样本上有所不同。
关于Stacking的学习资料有很多，下面罗列我找到的一些资料：
1. 首先要看的是Breiman的stacked regression，这是Stacking方法的提出论文；
2. Alexander K. Seewald等对stacked regression进行了改进，《How to Make Stacking Better and Faster While Also Taking Care of an Unknown Weakness》;
3. 如果对weka比较熟悉，Weka中实现了Stacking和StackingC，但是Weka默认的metaClassifier是ZeroR，不修改的话肯定试不出效果，要改成Linear Regression模型，而且要用Ridge regression选项，将Ridge的参数保持默认的值（1.0e-8）就可以了。
下面是我根据一篇博文翻译而来，这篇文章对Stacking方法的具体实现进行了详细阐述，还有代码实现，感谢原作者提供的很好的学习资料，原文地址:
http://blog.kaggle.com/2016/12/27/a-kagglers-guide-to-model-stacking-in-practice/
Introduction
Stacking(又叫做meta ensembling) 是利用多个模型的输出集成起来产生新模型的一种模型集成技术。由于集成后模型的平滑特性，通常集成后的模型能够在性能上优于任何一个用于集成的Base模型。并且集成的模型侧重表现好的模型，不信任（discredit）表现不好的模型。因此，stacking方法对于差别很大的基础模型，集成的有效性更佳。作者在这里提供一个简单的例子，演示stacking在具体实现时的方法。这篇文章的代码和数据可以参考网址：
https://github.com/ben519/MLPB
Motivation
假设四个人扔187个飞镖。其中150个飞镖观察是谁扔的，扔到了哪里（训练数据）。剩下的作为测试数据，知道飞镖的位置。我们的学习任务是根据飞镖的位置，猜测是谁扔的。
K-近邻（基础模型1）
首先我们用K-近邻模型尝试解决这个分类问题。为了选出最好的K值，我们用了5-折交叉验证和网格搜索方法检验K=（1，2，。。。。30）.伪代码如下：
1.将训练数据等分为5份。这些就是测试数据集（test folds）.
2.For K=1,2,...,10
1) 对每一个测试集（test fold）
a. 合并另外四个fold生成训练集合；
b.用当前的K值，在当前的训练集合上训练一个K-近邻模型；
c.对测试集进行预测，并评估预测结果的正确率。
2）计算上述5个不同测试集合的平均正确率。
3.将交叉验证得到的最好平均正确率的K值保存起来。
在我们的数据集上发现K=1能够获得最好的交叉验证准确率（平均正确率67%）。用K=1，我们在所有的训练数据上训练一个模型然后对测试数据进行预测。
最终我们得到了分类准确率70%的结果。
支撑向量机（基础模型2）
现在我们尝试用支撑向量机来解决预测问题。此外，我们加入了一维新的特征——DistFromCenter——用于衡量点到飞盘中心的距离，从而帮助数据能够线性可分。
用R语言的LiblinearR包，我们有两个超参数需要调试：
type
- L2-正则化L2-损失支撑向量机分类（对偶问题）
- L2-正则化L2-损失支撑向量机分类（原始问题）
- L2-正则化L1-损失支撑向量机分类（对偶问题）
- support vector classification by Crammer and Singer
- L1-正则化L2-损失支撑向量机分类
Cost
正则化常数的倒数。
参数组合的网格我们将尝试笛卡尔乘积，也就是用5个svm的类型（types）和Cost值取（0.01，0.1， 1， 10， 100， 1000， 2000）.也就是:
同样地，用交叉验证和网格搜索方法，我们找到了最好的超参数是type=4以及cost=100.又一次，我们用这些参数在所有训练数据上训练模型，并在
测试数据上做测试。交叉验证的准确率为61%，测试数据集上78%的准确率。
模型叠加(Meta Ensembling, 元集成)
让我们来看一下每个模型对问题给出的分类边界，这个分类问题中一共有四个类别：Bob， Sue， Mark和Kate。
正如我们所料，SVM将Bob和Sue之间的投掷点分得不错，但是把Kate和Mark之间的投掷点分得很差。当然考察KNN能够得到类似的结论，KNN将Kate和Mark分得很好，但是将Bob和Sue的投掷点分得很差。也就是说，模型叠加有可能取得更好的效果。这里的启示：我们做Stacking之前也应该评估一下模型之间的差异性，如果是差异很大的模型（不同的模型各有所长），Stacking就能够取得很大的效果。
否则，效果提升可能就会很小。
（具体做法是画一个图：横轴是列表的位置，从1......n，表示样本根据得分排序后，列表总共的序。纵轴是docID,且只画label大于0的样本。一个用火柴棍，一个用点。
如果两个模型的结果上，棍的顶点和点重合的很多，就说明模型的差异不大，A模型排得好的，B模型也排得好，只是整体性能有差异，那么就选最好的模型就可以了。
如果不是，那么Stacking就值得做。）
以上述分类问题为例，Stacking的具体步骤是：
- 将训练数据分为5份，叫做test fold
- 定义一个数据集叫做train_meta，和训练数据集有相同的原始Id和fold id，加上两个空的列M1和M2.同样地，生成一个测试集叫做test_meta,和测试集合有相同的原始Id，加上两列，M1和M2.
- 对于每一个交叉验证集
{Fold1, Fold2, ..., Fold5}
3.1 将另外的4个CV集合合并用作训练CV集合；
3.2 对于每一个Base模型
M1: K近邻模型（K=1）
M2:SVM（type=4, cost=1000）
3.2.1 用training fold训练Base模型，并对test fold进行预测。将这些预测值保存在train_meta中用作stacking model的feature。
- 用所有的训练数据训练Base模型，并对测试数据进行预测。将这些预测值保存在test_meta中。
- 训练一个新的模型，S（也就是stacking 模型），用M1和M2当作特征，当然，也可以原来数据中的其他特征也用上。
S：Logistic Regression
- 用stacked model S对test_meta做预测。
这里我们用了Base模型的预测值作为stacked模型的特征，因此stacked模型能够知道每一个Base模型在哪些样本上表现得好，哪些样本上表现不好。此外，还有一点要注意，train_meta中每一个样本的预测值都不依赖自身产生（否则就会过拟合，理论上，这里用留一法的效果会最好。）
对于test_meta的stacked特征，我们有另外一种生成方式。用交叉验证得到的5个Base模型分别对test_meta数据打分，最后5个得分平均得到最后的M1和M2，这样做的好处是节省时间，因为我们不需要用所有的训练数据训练Base模型，但是这样做的弊端是基础模型在测试数据上预测的准确度要差一些。
Stacked模型的超参数调整
我们应该如何调整stacked模型的超参数呢？对于base模型，我们能够用交叉验证+网格搜索确定超参数。对于stacked模型，如果我们也用相同的数据切分方法进行超参数的调整，就会有问题。当然，换成别的数据切分方法也同样有问题。那么是什么问题呢？
假设我们用之前的数据划分，用{fold2, fold3, fold4, fold5}训练staked模型S，然后在fold1上评估效果，那么问题就来了，fold2，fold3，fold4，fold5的stacked特征都是fold1参与产生的。我们用fold1参与生成特征又在fold1上验证，就产生了过拟合。最终可能导致stacked模型的超参数，在测试集上的效果可能很不好。
实际应用中，这个问题其实无法避免，但是我们应该知道这个问题的存在。
Stacking Model的模型选择和特征选择
我们如何知道用什么模型作为stacker，除了stacked特征，应该选择哪些原始特征用到stacked模型的训练中呢？在作者的眼中，stacked模型和stacked特征的选择都更像是艺术而不是科学。
Stacking实践
原作者通常会在Kaggle机器学习竞赛中用到stacking方法。在实际的Business中，stacking方法要增加许多复杂性来换取一点点性能提升。不过还好，stacking方法通常能够获得比单独的模型更好的性能，而且不用考虑模型的选择。就是计算量大了点儿。