def __init__(self, estimator, file_path: str = None):
"""
初始化函数
:param estimator: 学习器, 学习器fit必须包含权重参数
:param file_path: 最终建模使用样本输出路径
"""
TrainerMixin.__init__(self)
self.estimator = estimator
self.file_path = file_path
def __init__(self, algorithm: str = None, params: Dict = None):
"""
初始化函数
:param algorithm: 算法名称, 缩写lr, gbdt, rf, lgb, xgb
:param params: 算法参数
"""
TrainerMixin.__init__(self)
self.algorithm = algorithm
self.params = params
self.create_estimator()
def __init__(self, estimator, file_path: str = None, k: int = 10):
"""
初始化函数
:param estimator: 学习器
:param file_path: 最终建模使用样本输出路径
:param k: 分箱数量
"""
TrainerMixin.__init__(self)
self.estimator = estimator
self.file_path = file_path
self.k = k
def __init__(self, classifiers: List = None, voting: str = 'soft', weights: List = None):
"""
投票法-初始化函数
:param classifiers: 模型融合使用分类算法列表，内含学习器, 例：[clf1,clf2,clf3]
:param voting: 投票法参数，投票方式。'soft': 使用类概率的投票, 'hard': 使用类标签的投票
:param weights: 投票法参数，学习器权重. 例：[2,1,1] 代表学习器权重比值
:return:
"""
assert classifiers is not None, 'classifiers列表为空'
TrainerMixin.__init__(self)
self.classifiers = classifiers
self.voting = voting
self.weights = weights
self.create_estimator()
def __init__(self, classifiers: List = None, meta_classifier=None, use_probas=True, cv: int = 5):
"""
stackingCV-初始化函数, 相对于stack增加交叉验证
:param classifiers: 模型融合使用分类算法列表，内含学习器, 例：[clf1,clf2,clf3]
:param meta_classifier: 基模型预测结果，采用该分类器进行训练
:param use_probas: True, 使用基模型预测概率列表作为结果，否则使用基学习器预测类别作为结果
:param cv: 交叉验证折数
:return:
"""
assert classifiers is not None, 'classifiers参数为空'
assert meta_classifier is not None, 'meta_classifier参数为空'
TrainerMixin.__init__(self)
self.classifiers = classifiers
self.meta_classifier = meta_classifier
self.use_probas = use_probas
self.cv = cv
self.create_estimator()
def __init__(self,
estimator,
method_dict: dict = None,
file_path: str = None):
"""
初始化函数
:param estimator: 学习器
:param method_dict: 需要进行迭代的方法参数字典，只包括硬截断法HC(method_dict={'name':,'IK':}),
模糊展开法FA(method_dict={'name':})，外推法Ep(method_dict={'name':,'k':,'IK_down':,'IK_up':})
:param file_path: 最终建模使用样本输出路径
"""
TrainerMixin.__init__(self)
self.estimator = estimator
assert method_dict['name'] in ['HC', 'FA',
'Ep'], 'method_dict中name参数赋值错误'
self.method_dict = method_dict
self.file_path = file_path
def __init__(self,
estimator,
IK: float = 2,
flag: bool = True,
file_path: str = None):
"""
初始化函数
:param estimator: 学习器
:param IK: 经验风险因子，业务实际bad rate/放贷样本bad rate
:param flag: 是否抛弃拒绝样本中的灰样本
:param file_path: 最终建模使用样本输出路径
"""
TrainerMixin.__init__(self)
self.estimator = estimator
self.IK = IK
self.flag = flag
self.file_path = file_path
def __init__(self, classifiers: List = None, meta_classifier=None, use_probas=True, average_probas=False):
"""
stacking-初始化函数
将训练好的所有基模型对整个训练集进行预测，第j个基模型对第i个训练样本的预测值将作为新的训练集中第i个样本的第j个特征值，
最后基于新的训练集进行训练。同理，预测的过程也要先经过所有基模型的预测形成新的测试集，最后再对测试集进行预测
:param classifiers: 模型融合使用分类算法列表，内含学习器, 例：[clf1,clf2,clf3]
:param meta_classifier: 基模型预测结果，采用该分类器进行训练
:param use_probas: True, 使用基模型预测概率列表作为结果，否则使用基学习器预测类别作为结果
:param average_probas: True, 那么这些基分类器对每一个类别产生的概率值会被平均，否则会拼接
:return:
"""
assert classifiers is not None, 'classifiers参数为空'
assert meta_classifier is not None, 'meta_classifier参数为空'
TrainerMixin.__init__(self)
self.classifiers = classifiers
self.meta_classifier = meta_classifier
self.use_probas = use_probas
self.average_probas = average_probas
self.create_estimator()
def __init__(self,
estimator,
k: int = 10,
IK_down: float = 2,
IK_up: float = 4,
flag: bool = True,
file_path: str = None):
"""
初始化函数
:param estimator: 学习器
:param k: 分箱数量
:param IK_down: 经验风险因子下限，业务实际bad rate/放贷样本bad rate
:param IK_up: 经验风险因子上限，业务实际bad rate/放贷样本bad rate
:param flag: 是否抛弃拒绝样本中的灰样本
:param file_path: 最终建模使用样本输出路径
"""
TrainerMixin.__init__(self)
self.estimator = estimator
self.file_path = file_path
self.k = k
self.flag = flag
self.interval = [IK_down + (IK_up - IK_down) / k * i for i in range(k)]