Datawhale AI夏令营 从零入门机器学习竞赛 Task 2

Task2

机器学习中的一个经典理论

数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限

本次问题(回归预测)的优化思路

  • 回归预测问题:目标是建立一个数学模型,用以预测一个连续型目标变量(因变量)的值,基于一个或多个解释变量(自变量)的已知值
  • 时间序列问题:是一种特定的回归预测问题,专注于预测序列数据,其中数据点按时间顺序排列,且相邻数据点之间往往存在自然的时间相关性
  • 常规思路
    1. 使用机器学习模型,如LightGBM、XGBoost
    2. 使用深度学习模型(神经网络等)
  • 对于数值数据需要进行标准化处理,目的:消除量纲影响缩小特征范围提升模型收敛速度增强模型性能权重公平学习
  • 常见的标准化方法:
    1. 最小-最大规范化(Min-Max Scaling),将特征的值转换到[0, 1]区间内,适用于数据的范围已知且不需要考虑分布时
    2. Z-score标准化(Standard Score),将特征转换成均值为0、标准差为1的形式,适用于数据符合正态分布时
  • 本次Task1使用的是经验模型(使用均值作为结果数据),Task2进行优化,使用机器学习模型

使用机器学习的方法入手角度

  1. 获取数据与增强:需要找到相关的数据,它们应该尽可能全面、准确地反映要解决的问题。数据可以从公开数据库、内部系统或者通过爬虫技术从互联网上获取。数据增强:为了让模型学习到更多样的情况,提高泛化能力,会对原始数据做一些变换,比如旋转图片、翻转文本等
  2. 特征提取:需要从原始数据中提炼出对预测最有帮助的信息。比如,如果要预测房价,可能需要关注房子的大小、位置、房龄等特征。特征提取有时需要专业知识,比如利用统计方法、*PCA(主成分分析)*等技术,帮助模型更好地理解和区分数据
  3. 模型选择和优化:根据问题的性质,需要选择一个合适的机器学习模型,比如决策树神经网络支持向量机等。不同的模型适用于不同类型的问题。选好模型后,还要通过“调参”来优化它,通过交叉验证网格搜索等方法,找到模型的最佳参数设置,让模型的表现更好,预测更准确。

使用机器学习的方法的步骤

  1. 探索性数据分析:通过图表、统计摘要等方式深入挖掘数据,了解数据的基本情况,比如是否有缺失值、异常值,以及变量间的初步关系等。就像是拿到一份地图,先四处走走看看,了解地形地貌
  2. 数据预处理:包括填补缺失值、删除或修正异常值、数据标准化或归一化、编码分类变量(比如独热编码)等,确保数据干净、整齐
  3. 提取特征:同上
  4. 切分训练集与验证集:需要一部分数据(训练集)来教会模型,另一部分(验证集)来检验模型学得好不好。通常比例为80%的数据用于训练,剩下的20%用于验证。这样可以防止模型过度学习训练数据中的细节,保持良好的泛化能力
  5. 训练模型:训练模型就像是教练带着运动员反复练习,让模型通过学习训练集中的规律,逐步提高解决问题的能力。这一步通常涉及调整模型参数,让模型在训练数据上的表现越来越好
  6. 预测结果:用模型去预测未知数据的结果,验证模型的实战能力,看看它在新数据上的表现如何

基础概念:GBDT

GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点。

GBDT不仅在工业界应用广泛,通常被用于多分类、点击率预测、搜索排序等任务;在各种数据挖掘竞赛中也是致命武器,据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。

理解:GBDT就是用很多棵小树(这里的小树指的是决策树,一种简单的分类或预测工具)一起合作,每棵树都尽自己的一份力去学会一点东西,然后把这些小树的力量叠加起来,就变成了一棵超级厉害的大树,也就是我们的最终模型。这个过程就像是老师教学生,一开始学生可能学得不太好(弱分类器),老师就根据学生的错误一点点指导(梯度提升),每次指导都针对上次的错题重点讲解,慢慢地,学生就越学越好了,最后成为学霸(最优模型)。而且这种教法有个好处,就是不容易让学生学得太偏,也就是我们说的过拟合,就是模型太纠结于记住训练数据里的每一个细节,反而在新数据上表现不好。

基础概念:LightGBM

LightGBM(Light Gradient Boosting Machine)是一个实现GBDT算法的框架,支持高效率的并行训练,并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。

LightGBM 框架中还包括随机森林和逻辑回归等模型。通常应用于二分类、多分类和排序等场景。

例如:在个性化商品推荐场景中,通常需要做点击预估模型。使用用户过往的行为(点击、曝光未点击、购买等)作为训练数据,来预测用户点击或购买的概率。根据用户行为和用户属性提取一些特征,包括:

  • 类别特征(Categorical Feature):字符串类型,如性别(男/女)。
  • 物品类型:服饰、玩具和电子等。
  • 数值特征(Numrical Feature):整型或浮点型,如用户活跃度或商品价格等。

优化代码

1.导入模块

导入代码所需要的所有模块

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
import tqdm
import sys
import os
import gc
import argparse
import warnings
warnings.filterwarnings('ignore')

2.探索性数据分析(EDA)

在数据准备阶段,主要读取训练数据和测试数据,并进行基本的数据展示

# 读取数据
train = pd.read_csv('./data/train.csv')
test = pd.read_csv('./data/test.csv')

数据可视化:用Python绘制不同type类型对应target的柱状图

import matplotlib.pyplot as plt
# 不同type类型对应target的柱状图
type_target_df = train.groupby('type')['target'].mean().reset_index()
plt.figure(figsize=(8, 4))
plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green'])
plt.xlabel('Type')
plt.ylabel('Average Target Value')
plt.title('Bar Chart of Target by Type')
plt.show()

绘制id为00037f39cf的按dt为序列关于target的折线图

specific_id_df = train[train['id'] == '00037f39cf']
plt.figure(figsize=(10, 5))
plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')
plt.xlabel('DateTime')
plt.ylabel('Target Value')
plt.title("Line Chart of Target for ID '00037f39cf'")
plt.show()

3.数据预处理

本次问题模型使用简单,数据不需要过多预处理

4.特征提取(特征工程)

通过特征工程挖掘特征可以很快的提升模型预测效果,这也是数据挖掘比赛中的主要优化方向,很多情况下会决定最终的成绩

Task2 主要构建了 历史平移特征窗口统计特征

  • **历史平移特征:**通过历史平移获取上个阶段的信息;如下图所示,可以将d-1时间的信息给到d时间,d时间信息给到d+1时间,这样就实现了平移一个单位的特征构建。核心思想:利用过去的信息来辅助预测未来

  • **窗口统计特征:**窗口统计可以构建不同的窗口大小,然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息,可以反映最近阶段数据的变化情况。如下图所示,可以将d时刻之前的三个时间单位的信息进行统计构建特征给我d时刻。核心思想:用一个可调节大小的“窗口”滑过时间轴,窗口内的数据会被汇总成一些统计量,以此来反映这段时间内的数据特征。

  • 优缺点分析:

    历史平移特征 窗口统计特征
    复杂性与信息量 直观 含有更高的信息密度,对于复杂的、非平稳的时间序列分析更为有利
    计算成本 易于实施 需要更多的计算资源
    对噪声的鲁棒性 稳定性差 更能抵抗噪声干扰,提供更稳健的预测基础
    适应性 适合简单线性关系或平稳序列 适合周期性或趋势明显的序列

    注:在某些情况下,结合使用两种类型的特征可能会得到更好的预测效果

  • 完整代码:

    # 合并训练数据和测试数据,并进行排序
    data = pd.concat([test, train], axis=0, ignore_index=True)
    data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)
    
    # 历史平移
    for i in range(10,30):
        data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
        
    # 窗口统计
    data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3
    
    # 进行数据切分
    train = data[data.target.notnull()].reset_index(drop=True)
    test = data[data.target.isnull()].reset_index(drop=True)
    
    # 确定输入特征
    train_cols = [f for f in data.columns if f not in ['id','target']]
    

5.模型训练与测试集预测

  • 这里选择使用Lightgbm模型,其通常作为数据挖掘比赛的基线模型,在不需要过程调参的情况下也能得到比较稳定的分数

  • 需要注意的训练集和验证集的构建:因为数据存在时序关系,所以需要严格按照时序进行切分。

    这里选择原始给出训练数据集中dt为30之后的数据作为训练数据,之前的数据作为验证数据

    保证了数据不存在穿越问题(不使用未来数据预测历史数据)

    注:dt越小,表示离当前日期越近

def time_model(lgb, train_df, test_df, cols):
    # 训练集和验证集切分
    trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']
    val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']
    # 构建模型输入数据
    train_matrix = lgb.Dataset(trn_x, label=trn_y)
    valid_matrix = lgb.Dataset(val_x, label=val_y)
    # lightgbm参数
    lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': 'mse',
        'min_child_weight': 5,
        'num_leaves': 2 ** 5,
        'lambda_l2': 10,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 4,
        'learning_rate': 0.05,
        'seed': 2024,
        'nthread' : 16,
        'verbose' : -1,
    }
    # 训练模型
    model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix], 
                      categorical_feature=[], verbose_eval=500, early_stopping_rounds=500)
    # 验证集和测试集结果预测
    val_pred = model.predict(val_x, num_iteration=model.best_iteration)
    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
    # 离线分数评估
    score = mean_squared_error(val_pred, val_y)
    print(score)
       
    return val_pred, test_pred
    
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)

# 保存结果文件到本地
test['target'] = lgb_test
test[['id','dt','target']].to_csv('submit.csv', index=None)

提交结果

注:需要先下载Lightgbm,再代码最前面加上:

# 0.安装lightgbm
!pip install lightgbm==3.3.0

最终得分为259.9667

最近更新

  1. docker php8.1+nginx base 镜像 dockerfile 配置

    2024-07-20 16:12:03       95 阅读
  2. Could not load dynamic library ‘cudart64_100.dll‘

    2024-07-20 16:12:03       103 阅读
  3. 在Django里面运行非项目文件

    2024-07-20 16:12:03       84 阅读
  4. Python语言-面向对象

    2024-07-20 16:12:03       93 阅读

热门阅读

  1. 使用git worktree同时打开同一项目的不同分支代码

    2024-07-20 16:12:03       28 阅读
  2. 【SpringBoot】单元测试之测试Service方法

    2024-07-20 16:12:03       25 阅读
  3. css样式

    css样式

    2024-07-20 16:12:03      24 阅读
  4. deque学习笔记

    2024-07-20 16:12:03       27 阅读
  5. 题解:T480715 true

    2024-07-20 16:12:03       27 阅读
  6. 你有多自律就有多自由

    2024-07-20 16:12:03       28 阅读
  7. 2024 暑假友谊赛 2

    2024-07-20 16:12:03       29 阅读
  8. 【CTFWP】ctfshow——web41

    2024-07-20 16:12:03       27 阅读
  9. Scala学习笔记19: 隐式转换和隐式参数

    2024-07-20 16:12:03       29 阅读
  10. Qmi8658a姿态传感器使用心得(2)linux

    2024-07-20 16:12:03       25 阅读
  11. springcloud与dubbo的rpc通信都是分别基于什么实现的

    2024-07-20 16:12:03       24 阅读
  12. AI论文写作软件哪些比较好用?

    2024-07-20 16:12:03       27 阅读