如何获取PyCaret模型融合后的最终回归方程？

在PyCaret中，融合排名前三的回归模型后，想要获取最终的"回归方程"需要分情况看待——因为融合模型（混合/堆叠）本质是元模型对基模型预测结果的二次建模，如果元模型是线性回归这类有显式方程的模型，就能推导出组合方程；若基模型或元模型是非线性模型（如树模型），则无法得到传统意义上的单一数学方程，只能明确其组合逻辑。

操作步骤 #

1. 训练融合模型

先完成基础的模型对比与融合，示例代码：

from pycaret.regression import setup, compare_models, blend_models

# 初始化PyCaret环境
s = setup(data=your_dataset, target='your_target_column')

# 获取排名前三的模型
top3_models = compare_models(n_select=3)

# 融合前三模型（默认用线性回归作为元模型）
blended_ensemble = blend_models(top3_models)

2. 解析融合模型结构

融合模型的核心逻辑存储在estimator_属性中，打印该属性可以查看基模型列表和元模型类型：

print(blended_ensemble.estimator_)

3. 推导显式回归方程（仅限元模型为线性模型时）

如果元模型是线性回归（PyCaret的blend_models默认元模型），可以提取其系数和截距，结合基模型的预测结果构建方程：

# 提取元模型的系数与截距
meta_model = blended_ensemble.estimator_.final_estimator_
coef = meta_model.coef_
intercept = meta_model.intercept_

# 构建回归方程字符串
equation_components = [f"{intercept:.4f}"]
for idx, c in enumerate(coef):
    equation_components.append(f"{c:.4f} * 模型{idx+1}_预测值")

final_regression_equation = "y = " + " + ".join(equation_components)
print(final_regression_equation)

关键说明 #

• 若基模型是树模型（如RandomForest、XGBoost）或元模型是非线性模型，这类模型本身没有显式的数学表达式，融合后的模型只能表示为元模型对基模型输出的映射关系，无法写成传统的线性/非线性方程。
• 对于堆叠融合（stack_models），逻辑与混合融合一致，只需替换blend_models为stack_models，同样通过estimator_.final_estimator_获取元模型参数。

内容的提问来源于stack exchange，提问作者Gyanesh Gupta