Kaggle 肥胖预测赛：4模型融合实战，加权法提升准确率至 0.916

Kaggle肥胖预测竞赛：四模型加权融合实战与性能优化策略

在数据科学竞赛中，单一模型往往难以捕捉数据中的所有复杂模式。本文将深入探讨如何通过随机森林、LightGBM、XGBoost和CatBoost四种模型的加权融合，在Kaggle肥胖风险预测竞赛中实现0.916的准确率。不同于基础教程，我们将聚焦于模型融合的实战细节、权重优化方法论以及避免过拟合的高级技巧，为中级Kaggle玩家提供可直接复用的进阶策略。

1. 竞赛背景与数据特性解析

肥胖风险预测是典型的多分类问题，目标是将个体分为7个体重类别（从体重不足到III级肥胖）。原始数据集包含18个特征，涵盖人口统计、饮食习惯、运动频率等多个维度。通过EDA分析，我们发现几个关键洞察：

• 性别与肥胖类型的强关联：Obesity_Type_II患者100%为男性，而Obesity_Type_III患者99%为女性
• BMI的隐含价值：虽然数据集中未直接提供BMI，但通过Height和Weight计算的BMI与目标变量相关性达0.89
• 类别不平衡问题：某些类别（如Obesity_Type_II）样本量仅为其他类别的1/5

# BMI特征工程代码示例 def extract_features(df): df['BMI'] = df['Weight']/(df['Height']**2) return df # 类别分布可视化 plt.figure(figsize=(10,6)) sns.countplot(x='NObeyesdad', data=train, order=train['NObeyesdad'].value_counts().index) plt.xticks(rotation=45) plt.title('Class Distribution')

提示：在融合模型中，类别不平衡问题需要通过加权损失函数或过采样技术处理，否则模型会偏向多数类。

2. 基础模型构建与调优

2.1 随机森林的定制化改进

传统随机森林直接应用于该数据集只能达到0.897的准确率。我们通过以下改进提升至0.906：

• 类别权重调整：使用class_weight="balanced_subsample"
• 嵌入编码优化：采用MEstimateEncoder处理分类变量
• 特征选择：基于置换重要性剔除低贡献特征

from sklearn.ensemble import RandomForestClassifier from category_encoders import MEstimateEncoder rfc_pipeline = make_pipeline( MEstimateEncoder(cols=categorical_cols), RandomForestClassifier(n_estimators=500, max_depth=10, class_weight="balanced_subsample", random_state=42) )

2.2 LightGBM的超参数优化

使用Optuna进行50轮贝叶斯优化，关键参数空间设计如下：

import optuna from lightgbm import LGBMClassifier def objective(trial): params = { 'learning_rate': trial.suggest_float('learning_rate', 0.001, 0.1, log=True), 'max_depth': trial.suggest_int('max_depth', 2, 20), 'lambda_l1': trial.suggest_float('lambda_l1', 0.1, 20, log=True), 'lambda_l2': trial.suggest_float('lambda_l2', 0.1, 20, log=True) } model = LGBMClassifier(**params) score = cross_val_score(model, X, y, scoring='accuracy').mean() return score study = optuna.create_study(direction='maximize') study.optimize(objective, n_trials=50)

2.3 XGBoost与CatBoost的对比实验

两种梯度提升框架在相同数据上表现出不同特性：

XGBoost优势：

• 对数值型特征处理更鲁棒
• GPU加速效率更高（比CatBoost快约15%）
• 自定义损失函数更灵活

CatBoost优势：

• 自动处理类别变量，无需单独编码
• 对超参数敏感性较低
• 内置对抗过拟合机制

我们通过早停策略（early stopping）和动态学习率衰减优化两者表现：

# XGBoost早停实现 xgb_params = { 'eval_metric': 'mlogloss', 'early_stopping_rounds': 50, 'learning_rate': 0.05 } xgb.fit(X_train, y_train, eval_set=[(X_val, y_val)], verbose=10)

3. 模型融合策略深度剖析

3.1 加权融合的数学原理

加权融合的核心公式为：

$$ P_{final}(y|x) = \sum_{i=1}^{n} w_i \cdot P_i(y|x) $$

其中$w_i$为第i个模型的权重，$\sum w_i = 1$。我们通过网格搜索确定最优权重组合：

3.2 权重优化的实战代码

from itertools import product # 定义权重搜索空间 weight_space = { 'rfc': np.linspace(0, 0.4, 5), 'lgb': np.linspace(0.2, 0.6, 5), 'xgb': np.linspace(0.1, 0.5, 5), 'cat': np.linspace(0, 0.3, 4) } best_score = 0 best_weights = {} # 网格搜索最优组合 for w_rfc, w_lgb, w_xgb, w_cat in product(*weight_space.values()): total = w_rfc + w_lgb + w_xgb + w_cat if abs(total - 1.0) > 0.01: # 权重和≈1 continue # 加权预测 weighted_proba = (w_rfc*rfc_pred + w_lgb*lgb_pred + w_xgb*xgb_pred + w_cat*cat_pred) final_pred = weighted_proba.argmax(axis=1) score = accuracy_score(y_val, final_pred) if score > best_score: best_score = score best_weights = {'rfc':w_rfc, 'lgb':w_lgb, 'xgb':w_xgb, 'cat':w_cat} print(f"Best Weights: {best_weights}, Score: {best_score:.4f}")

3.3 融合模型的性能对比

我们测试了五种权重组合的验证集表现：

注意：实际应用中需用交叉验证评估权重稳定性，避免选择在特定fold过拟合的组合

4. 高级优化技巧与避坑指南

4.1 避免融合中的常见陷阱

• 相关性过高的模型：如果两个模型的预测结果相关系数>0.9，融合收益有限。建议先计算模型间的Spearman相关系数：

corr_matrix = pd.DataFrame({ 'RFC': rfc_pred.argmax(axis=1), 'LGB': lgb_pred.argmax(axis=1), 'XGB': xgb_pred.argmax(axis=1) }).corr(method='spearman')

• 测试集泄露：在确定权重时，必须使用独立的验证集而非测试集
• 计算资源平衡：XGBoost和CatBoost的GPU实现可加速训练，但需注意显存限制

4.2 融合后的模型诊断

通过混淆矩阵分析发现，融合模型在Obesity_Type_II和Overweight_Level_II这两个最容易混淆的类别上表现提升最明显：

Predicted_0 Predicted_1 ... Predicted_6 Actual_0 0.94 0.02 ... 0.00 Actual_1 0.01 0.91 ... 0.00 ... Actual_6 0.00 0.00 ... 0.95

4.3 替代融合方案对比

除加权融合外，我们还实验了其他方法：

1. Stacking：用逻辑回归作为元模型，但效果略差于加权法（0.913 vs 0.916）
2. Voting：硬投票准确率仅0.902，软投票达0.914
3. Blending：需要额外holdout集，在小数据场景不适用

最终选择加权融合因其：

• 实现简单
• 可解释性强
• 计算效率高

5. 完整实现与部署建议

5.1 端到端实现代码

# 模型训练 models = { 'rfc': RandomForestClassifier(**rfc_params), 'lgb': LGBMClassifier(**lgb_params), 'xgb': XGBClassifier(**xgb_params), 'cat': CatBoostClassifier(**cat_params) } # 存储各模型的OOF预测 oof_preds = {} for name, model in models.items(): model.fit(X_train, y_train) oof_preds[name] = model.predict_proba(X_val) # 加权融合 weights = {'rfc':0.1, 'lgb':0.5, 'xgb':0.3, 'cat':0.1} final_pred = np.zeros_like(oof_preds['rfc']) for name, pred in oof_preds.items(): final_pred += weights[name] * pred # 结果保存 submission = pd.DataFrame({ 'id': test_ids, 'NObeyesdad': final_pred.argmax(axis=1) }) submission.to_csv('submission.csv', index=False)

5.2 实际应用建议

• 动态权重调整：当新增数据导致分布变化时，应重新优化权重
• 模型监控：部署后持续跟踪各模型的预测分布变化
• 资源优化：在实时性要求高的场景，可只保留效果最好的1-2个模型

在医疗健康等高风险领域，建议增加不确定性估计：当不同模型的预测差异较大时（如熵值>1.5），应标记为需要人工复核的案例。