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
- 使用机器学习模型，如LightGBM、XGBoost
- 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：
- 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
- 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
- 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
- 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
- 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、神经网络或支持向量机等。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
- 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
- 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
- 提取特征：同上
- 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
- 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
- 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 和 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
