kaggle竞赛实战8——其他方案之XGBOOST及NLP特征优化

之前都用的集成算法，发现差异不大，考虑在特征优化上提升数据质量，用NLP算法优化id列

有两种方法，分别是countervector和TF-IDF，前者就是词频，后者由TF（词频）和IDF（反文档词频）两部分组成，具体理论部分可参考推荐算法课程学习笔记2：文本特征提取基础_countervector-CSDN博客这篇文章

from sklearn.feature_extraction.text import CountVectorizer, TfidfVectorizer 
from sklearn.preprocessing import OneHotEncoder, LabelEncoder 
from scipy import sparse

      # 创建空DataFrame用于保存NLP特征 
      train_x = pd.DataFrame() 
      test_x = pd.DataFrame() 

      # 实例化CountVectorizer评估器与TfidfVectorizer评估器 
      cntv = CountVectorizer() 
      tfv = TfidfVectorizer(ngram_range=(1, 2), min_df=3, max_df=0.9, use_idf=1, smooth_idf=1, sublinear_tf=1) #max_df指词汇表中超过这个阈值的词会被剔除

  # 创建空列表用户保存修正后的列名称 

vector_feature=[]

 for co in ['merchant_id', 'merchant_category_id', 'state_id', 'subsector_id', 'city_id']: 
          vector_feature.extend([co+'_new', co+'_hist', co+'_all']) #

      # 提取每一列进行新特征衍生 
      for feature in vector_feature: 
          print(feature) 
          cntv.fit([feature].append(test[feature])) #统计词频
          train_x = sparse.hstack((train_x, cntv.transform(train[feature]))).tocsr() #tocsr作用是保存成稀疏矩阵的格式，sparse.hstack
          test_x = sparse.hstack((test_x, cntv.transform(test[feature]))).tocsr() 
           
          tfv.fit(train[feature].append(test[feature])) 
          train_x = sparse.hstack((train_x, tfv.transform(train[feature]))).tocsr() 
          test_x = sparse.hstack((test_x, tfv.transform(test[feature]))).tocsr() 

      # 保存NLP特征衍生结果 
      sparse.save_npz(\  preprocess/train_nlp.npz\  , train_x) 
      sparse.save_npz(\  preprocess/test_nlp.npz\  , test_x)  

接下来进行xgboost训练，先导入包
      import xgboost as xgb 
      from sklearn.feature_selection import f_regression 
      from numpy.random import RandomState 
      from bayes_opt import BayesianOptimization  

然后读数据

  train = pd.read_csv('preprocess/train.csv') 
      test = pd.read_csv('preprocess/test.csv')  

注意由于xgboost会自动做特征筛选，因此自己不会去筛

导入特征名和训练数据集

      features = train.columns.tolist() 
      features.remove('card_id') 
      features.remove('target') 

   train_x = sparse.load_npz(\  preprocess/train_nlp.npz\  ) 
      test_x = sparse.load_npz(\  preprocess/test_nlp.npz\  ) 
       
      train_x = sparse.hstack((train_x, train[features])).tocsr() 
      test_x = sparse.hstack((test_x, test[features])).tocsr()  
 

模型训练与优化

参数回调函数 （声明那些固定的参数）
      def params_append(params): 
          \  \  \   
       
          :param params: 
          :return: 
          \  \  \   
          params['objective'] = 'reg:squarederror' 
          params['eval_metric'] = 'rmse' 
          params['min_child_weight' ] = int(params[\  min_child_weight\  ]) 
          params['max_depth'] = int(params['max_depth']) 
          return params 

声明贝叶斯优化过程：

  def param_beyesian(train): 

          # Part 1.数据准备 
          train_y = pd.read_csv(\  data/train.csv\  )['target'] 
          # 数据封装 
          sample_index = train_y.sample(frac=0.1, random_state=2020).index.tolist() #随机抽取一些样例
          train_data = xgb.DMatrix(train.tocsr()[sample_index, : ], train_y.loc[sample_index].values, silent=True) 
           
          # 借助cv过程构建目标函数 ：即输入一组超参数
          def xgb_cv(colsample_bytree, subsample, min_child_weight, max_depth, 
                     reg_alpha, eta, 
                     reg_lambda): 
           
              params = {'objective': 'reg:squarederror', 
                        'early_stopping_round': 50, 
                        'eval_metric': 'rmse'} 
              params['colsample_bytree'] = max(min(colsample_bytree, 1), 0) 
              params['subsample'] = max(min(subsample, 1), 0) 
              params['min_child_weight'] = int(min_child_weight) 
              params['max_depth'] = int(max_depth) 
              params['eta'] = float(eta) 
              params['reg_alpha'] = max(reg_alpha, 0) 
              params['reg_lambda'] = max(reg_lambda, 0) 
              print(params) 
              cv_result = xgb.cv(params, train_data, 
                                 num_boost_round=1000, 
                                 nfold=2, seed=2, 
                                 stratified=False, 
                                 shuffle=True, 
                                 early_stopping_rounds=30, 
                                 verbose_eval=False) 
              return -min(cv_result['test-rmse-mean']) 

          # 调用贝叶斯优化器进行模型优化 
          xgb_bo = BayesianOptimization( 
              xgb_cv, 
              {'colsample_bytree': (0.5, 1), 
               'subsample': (0.5, 1), 
               'min_child_weight': (1, 30), 
               'max_depth': (5, 12), 
               'reg_alpha': (0, 5), 
               'eta':(0.02, 0.2), 
               'reg_lambda': (0, 5)} 
          ) 

xgb_bo.maximize(init_points=21, n_iter=5)  # init_points表示初始点，n_iter代表迭代次数（即采样数） 
          print(xgb_bo.max['target'], xgb_bo.max['params']) 
          return xgb_bo.max['params'] 

      def train_predict(train, test, params): 
          \  \  \   
       
          :param train: 
          :param test: 
          :param params: 
          :return: 
          \  \  \   
          train_y = pd.read_csv(\  data/train.csv\  )['target'] 
          test_data = xgb.DMatrix(test) 
       
          params = params_append(params) 
          kf = KFold(n_splits=5, random_state=2020, shuffle=True) 
          prediction_test = 0 
          cv_score = [] 
          prediction_train = pd.Series() 
          ESR = 30 
          NBR = 10000 
          VBE = 50 
          for train_part_index, eval_index in kf.split(train, train_y): 
              # 模型训练 
              train_part = xgb.DMatrix(train.tocsr()[train_part_index, :], 
                                       train_y.loc[train_part_index]) 
              eval = xgb.DMatrix(train.tocsr()[eval_index, :], 
                                 train_y.loc[eval_index]) 
              bst = xgb.train(params, train_part, NBR, [(train_part, 'train'), 
                                                                (eval, 'eval')], verbose_eval=VBE, 
                              maximize=False, early_stopping_rounds=ESR, ) 
              prediction_test += bst.predict(test_data) 
              eval_pre = bst.predict(eval) 
              prediction_train = prediction_train.append(pd.Series(eval_pre, index=eval_index)) 
              score = np.sqrt(mean_squared_error(train_y.loc[eval_index].values, eval_pre)) 
              cv_score.append(score) 
          print(cv_score, sum(cv_score) / 5) 
          pd.Series(prediction_train.sort_index().values).to_csv(\  preprocess/train_xgboost.csv\  , index=False) 
          pd.Series(prediction_test / 5).to_csv(" preprocess/test_xgboost.csv" , index=False) 
          test = pd.read_csv('data/test.csv') 
          test['target'] = prediction_test / 5 
          test[['card_id', 'target']].to_csv(" result/submission_xgboost.csv" , index=False) 
          return  

发现私榜分数3.62，公榜3.72，提升了