在本实验中，我们将使用堆叠法（Stacking method）来融合多个估计器以进行预测。在这种策略中，一些估计器分别在部分训练数据上进行拟合，而最终估计器则使用这些基估计器的堆叠预测结果进行训练。我们将使用艾姆斯房屋数据集（Ames Housing dataset）来预测房屋的最终对数价格。我们将使用 3 个学习器，包括线性和非线性的，并使用岭回归器（ridge regressor）将它们的输出组合在一起。我们还将比较每个单独预测器以及回归器堆叠的性能。
虚拟机启动完成后，点击左上角切换到“笔记本”（Notebook）标签页，以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，可以随时向 Labby 提问。课程结束后提供反馈，我们会及时为你解决问题。
我们将使用艾姆斯房屋数据集（Ames Housing dataset），该数据集最初由迪恩·德·科克（Dean De Cock）汇编，在被用于 Kaggle 挑战（Kaggle challenge）后变得更广为人知。它是爱荷华州艾姆斯市的 1460 套住宅的集合，每套住宅由 80 个特征描述。我们将用它来预测房屋的最终对数价格。在这个例子中，我们将只使用通过梯度提升回归器（GradientBoostingRegressor()）选择的 20 个最相关的特征，并限制条目数量。
在使用艾姆斯数据集之前，我们仍需要进行一些预处理。首先，我们将选择数据集的分类列和数值列，以构建管道的第一步。然后，我们需要根据最终的回归器设计预处理管道。如果最终的回归器是线性模型，则需要对类别进行独热编码。如果最终的回归器是基于树的模型，那么序数编码器就足够了。此外，对于线性模型，数值需要进行标准化，而基于树的模型可以直接处理原始数值数据。不过，两种模型都需要一个插补器来处理缺失值。
现在我们可以使用艾姆斯房屋数据集来进行预测了。我们检查每个单独预测器以及回归器堆叠的性能。我们组合了 3 个学习器（线性和非线性的），并使用岭回归器将它们的输出组合在一起。堆叠回归器将结合不同回归器的优势。然而，我们也发现训练堆叠回归器在计算上要昂贵得多。
我们将测量堆叠回归器相对于各个单独预测器的结果，并进行绘图。
在这个实验中，我们学习了堆叠（Stacking）方法，即融合多个估计器来进行预测。我们使用了艾姆斯房屋数据集来预测房屋的最终对数价格。我们还学习了如何根据最终的回归器设计预处理管道，以及如何衡量每个单独预测器和回归器堆叠的性能。
