Kaggle 比赛项目总结(项目流程)
一、EDA(Exploratory Data Analysis)
EDA:也就是探索性的分析数据
- 目的:
- 理解每个特征的意义;
- 知道哪些特征是有用的,这些特征哪些是直接可以用的,哪些需要经过变换才能用,为之后的特征工程做准备;
1)每个特征的意义、特征的类型:
df.describe()
df['Category'].unique()
2)看是否存在 missing value(特征数据是否缺失)
df.loc[df.Dates.isnull(),'Dates']
3)看每个特征下的数据分布,用 boxplot 或者 hist:
%matplotlib inline
import matplotlib.pyplot as plt
df.boxplot(column='Fare', by = 'Pclass')
plt.hist(df['Fare'], bins = 10, range =(df['Fare'].min(),df['Fare'].max()))
plt.title('Fare >distribution')
plt.xlabel('Fare')
plt.ylabel('Count of Passengers')
- 如果变量是categorical的,想看distribution,则可以:
df.PdDistrict.value_counts().plot(kind='bar', figsize=(8,10))
4)看一些 特征之间的联立情况,用 pandas 的 groupby:
temp = pd.crosstab([df.Pclass, df.Sex], df.Survived.astype(bool))
temp.plot(kind='bar', stacked=True, color=['red','blue'], grid=False)
二、Data Preprocessing(数据预处理)
- 目的:将数据处理下,为模型输入做准备;
1)处理 missing value(缺失值)
- 查看数据集中,所有的特征数据有没有缺失;
- 如果 missing value 占总体的比例非常小,那么直接填入平均值或者众数;
- 如果 missing value 所占比例不算小也不算大,那么可以考虑它跟其他特征的关系,如果关系明显,那么直接根据其他特征填入;也可以建立简单的模型,比如线性回归,随机森林等。
- 如果 missing value 所占比例大,那么直接将 miss value 当做一种特殊的情况,另取一个值填入处理;
2)处理 Outlier (异常值)
- 这个就是 EDA 的作用,通过画图,找出异常值
3)categorical feature (类别特征)
Categorical 特征常被称为离散特征、分类特征,数据类型通常是 object 类型;
机器学习模型通常只能处理数值数据,所以需要对 Categorical 数据转换成 Numeric 特征。
categorical feature 有两种分类:
- Ordinal 类型:这种类型的Categorical存在着自然的顺序结构,如果你对Ordinal 类型数据进行排序的话,可以是增序或者降序,比如在学习成绩这个特征中具体的值可能有:
A、B、C、D
四个等级,但是根据成绩的优异成绩进行排序的话有A>B>C>D
- Nominal 类型:这种是常规的Categorical类型,不能对Nominal类型数据进行排序。比如血型特征可能的值有:
A、B、O、AB
,但你不能得出A>B>O>AB
的结论。
对于Ordinal 和 Nominal 类型数据有不同的方法将它们转换成数字:
- Ordinal 类型数据:使用 LabelEncoder 进行编码处理;
- 例如成绩的
A、B、C、D
四个等级进行 LabelEncoder 处理后会映射成1、2、3、4
,这样数据间的自然大小关系也会保留下来。
- Nominal 类型数据:使用 OneHotEncoder 进行编码处理;
- Pandas 的 get_dummies() 方法,对应每一个虚拟变量,都返回一包含一个新的一列的 DataFrame;
- Use the concat() method to add these dummy columns back to the original DataFrame
- Then drop the original columns entirely using the drop method
4)处理 categorical feature
- 一般就是通过dummy variable的方式解决,也叫one hot encode:
- pandas.get_dummies()
- sklearn 中 preprocessing.OneHotEncoder()
- 例:
将一列的 month 数据展开为了12列,用0、1代表类别
另外在处理 categorical feature 有两点值得注意:
- 如果特征中包含大量需要做 dummy variable(虚拟变量)处理的,那么很可能导致得到一个稀疏的dataframe,这时候最好用下PCA做降维处理。
- 如果某个特征有好几万个取值,那么用 dummy variable 就并不现实了,这时候可以用Count-Based Learning.
- 对于类别特征,在模型中加入tf-idf 有好的效果;
- “Leave-one-out” encoding:可以处理类别特征种类过多的问题;
三、Feature Engineering(特征工程)
- 理论上来说,“特征工程” 属于数据预测。
- 特征工程非常重要,可以说最后结果的好坏,大部分就是由特征工程决定的,剩下部分应该是调参和 Ensemble(集成学习) 决定。
- 特征工程的好坏主要是由 domain knowledge 决定的,但是大部分人可能并不具备这种知识,那么只能尽可能多的根据原来 feature 生成新的 feature ,然后让模型选择其中重要的feature。这里就又涉及到 feature selection(特征选择);
- feature selection 的方法:backward、forward selection 等有很多。我个人倾向于用 random forest 的 feature importance,这里有论文介绍了这种方法。
四、Model Selection and Training
1)Model Selection(模型选择)
- 最常用的模型是 Ensemble Model(集成学习),比如 Random Forest、Gradient Boosting。
- Kaggle 上的项目,开始可以用点简单的模型,一方面是可以作为底线 threshold,另一方面也可以在最后作为Ensemble Model。xgboost
2)Model Training(模型训练)
训练模型主要就是调参,每种模型都有自己最关键的几个参数,在 sklearn 中
GridSearchCV (网格搜索)设置需要比较的几种参数组合;
用 cross validation 选出最优秀的参数组合。
大概用法:
from sklearn.grid_search import GridSearchCV
from pprint import pprint
clf=RandomForestClassifier(random_state=seed)
parameters = {'n_estimators': [300, 500], 'max_features':[4,5,'auto']}
grid_search = GridSearchCV(estimator=clf,param_grid=parameters, cv=10, scoring='accuracy')
print("parameters:")
pprint(parameters)
grid_search.fit(train_x,train_y)
print("Best score: %0.3f" % grid_search.best_score_)
print("Best parameters set:")
best_parameters=grid_search.best_estimator_.get_params()
for param_name in sorted(parameters.keys()):
print("\t%s: %r" % (param_name, best_parameters[param_name]))
五、Model Ensemble(模型集成)
- Model Ensemble 的方法:Pasting、Bagging、Boosting(增强学习)、Stacking(堆叠);其中 Bagging 和 Boosting 都算是 Bootstraping 的应用。Bootstraping 的概念是对样本每次有放回的抽样,抽样K个,一共抽N次。
Bagging:每次从总体样本中随机抽取K个样本来训练模型,重复N次,得到N个模型,然后将各个模型结果合并,分类问题投票方式结合,回归则是取平均值,e.g.Random Forest。
Boosting:一开始给每个样本取同样的权重,然后迭代训练,每次对训练失败的样本调高其权重。最后对多个模型用加权平均来结合,e.g. GBDT。
Bagging 与Boosting 的比较:在深入理解 Bagging 和 Boosting 后发现,bagging 其实是用相同的模型来训练随机抽样的数据,这样的结果是各个模型之间的 bias(偏差) 差不多,variance(方差) 也差不多,通过平均,使得 variance 降低(由算平均方差的公式可知),从而提高 ensemble model 的表现。而 Boosting 其实是一种贪心算法,不断降低bias。
Stacking:训练一个模型来组合其他各个模型。
- 首先先训练多个不同的模型;
- 然后再以之前训练的各个模型的输出为输入来训练一个模型,以得到一个最终的输出。
- stacking很像神经网络,通过很多模型的输出,构建中间层,最后用逻辑回归将中间层训练得到最后的结果。
- 例:
def single_model_stacking(clf):
skf = list(StratifiedKFold(y, 10))
dataset_blend_train = np.zeros((Xtrain.shape[0],len(set(y.tolist()))))
dataset_blend_test = np.zeros((Xtest.shape[0],len(set(y.tolist()))))
dataset_blend_test_list=[]
loglossList=[]
for i, (train, test) in enumerate(skf):
dataset_blend_test_j = []
X_train = Xtrain[train]
y_train =dummy_y[train]
X_val = Xtrain[test]
y_val = dummy_y[test]
if clf=='NN_fit':
fold_pred,pred=NN_fit(X_train, y_train,X_val,y_val)
if clf=='xgb_fit':
fold_pred,pred=xgb_fit(X_train, y_train,X_val,y_val)
if clf=='lr_fit':
fold_pred,pred=lr_fit(X_train, y_train,X_val,y_val)
print('Fold %d, logloss:%f '%(i,log_loss(y_val,fold_pred))) dataset_blend_train[test, :] = fold_pred
dataset_blend_test_list.append( pred )
loglossList.append(log_loss(y_val,fold_pred))
dataset_blend_test = np.mean(dataset_blend_test_list,axis=0)
print('average log loss is :',np.mean(log_loss(y_val,fold_pred)))
print ("Blending.") clf = LogisticRegression(multi_class='multinomial',solver='lbfgs')
clf.fit(dataset_blend_train, np.argmax(dummy_y,axis=1))
pred = clf.predict_proba(dataset_blend_test)
return pred
Kaggle 比赛项目总结(项目流程)的更多相关文章
- 开篇:软件项目的整个流程 - IT软件人员学习系列文章
这段时间闲来无事,就在总结以前的项目经验,然后写成博客的形式以进行记录.本文就对<IT软件人员学习系列文章>做个开篇吧. 对于IT软件的开发来说,无外乎B/S.C/S和Android.iO ...
- 参与github上开源项目的大致流程和注意事项
Foreword github是一个很火的代码托管服务网站,可能好多人都想参与一两个项目玩一玩学习一下,但由于是纯英文的网站,可能又会止步于想法上没有动手实践.接下来我就介绍一下参与github上开源 ...
- jt项目日志查询流程
jt项目日志查询流程
- 【Python图像特征的音乐序列生成】如何生成旋律(大纲),以及整个项目的全部流程
今天连看三篇论文,不是很细致地看,也没有具体去实现,只是大概明白了一些新思路.这三篇论文,一篇概述了Decoder-Encoder模型,一篇延伸这个模型,首次提出了Attention机制,最后一篇详细 ...
- 拿到新linux服务器,从配置环境到跑起项目的部署流程
今早翻开手机看到某云一条广告Linux1 核 2 GB 1 Mbps服务器10元一个月,正巧最近在搞linux,于是下单了一台2个月20. 上班来到公司后,借空闲时间一顿研究,一波骚操作配置后,浏览器 ...
- vue 项目的开发流程
1.$ node -v (检测node版本,node版本需要在 V4 以上) 2.全局安装vue $ npm install -g vue 3.安装脚手架 $ npm install -g vue-c ...
- kaggle比赛流程(转)
一.比赛概述 不同比赛有不同的任务,分类.回归.推荐.排序等.比赛开始后训练集和测试集就会开放下载. 比赛通常持续 2 ~ 3 个月,每个队伍每天可以提交的次数有限,通常为 5 次. 比赛结束前一周是 ...
- nginx+supervisor 前后端分离项目的发布流程
[第一部分] 前端发布(vue项目),假设项目名为demo_vue Step1:编译打包前端项目 cd到demo_vue目录下, 执行cnpm run build:prod命令,生成disc文件夹 S ...
- Kaggle比赛冠军经验分享:如何用 RNN 预测维基百科网络流量
Kaggle比赛冠军经验分享:如何用 RNN 预测维基百科网络流量 from:https://www.leiphone.com/news/201712/zbX22Ye5wD6CiwCJ.html 导语 ...
- Kaggle比赛总结
做完 Kaggle 比赛已经快五个月了,今天来总结一下,为秋招做个准备. 题目要求:根据主办方提供的超过 4 天约 2 亿次的点击数据,建立预测模型预测用户是否会在点击移动应用广告后下载应用程序. 数 ...
随机推荐
- scala学习手记5 - 元组与多重赋值
假定要在一个方法中返回多个值.比如需要返回一个人的名.姓和邮箱地址.在Java中最常用的方法是定义一个Person类,其中包括相对应的字段:还有些不常用的方法就是返回一个集合或数组,拿到结果后再进行循 ...
- 关于jQuery中的offset()和position()
在jQuery中有两个获取元素位置的方法offset()和position().position()方法是在1.2.6版本之后加入的,为什么要引 入这个方法呢?这两个方法之间有什么异同?使用的时候应该 ...
- cloudsim仿真过程中内存占用过大问题的解决
在写<云环境下基于预算和截止期约束的科学工作流弹性资源提供和调度>这篇文章时用到了cloudsim仿真软件进行实验仿真,在实验过程中遇到了当仿真执行时间过长时程序总是不能正常结束,由于仿真 ...
- 《Advanced Bash-scripting Guide》学习(一):对一个增强和广义的删除logfile的脚本的理解
本文所选的例子来自于<Advanced Bash-scripting Gudie>一书,译者 杨春敏 黄毅 cleanup:一个增强和广义的删除logfile的脚本 #!/bin/bash ...
- 卸载MicrosoftBAF(删除C:\CommonFramework\instdata.dat)
发现有个可疑文件夹 C:\CommonFramework ,而且还会不停的删除创建 C:\CommonFramework\instdata.dat 最后被发现这是必应的一个框架程序在捣鬼,在微软论坛里 ...
- poj 1787 背包+记录路径
http://poj.org/problem?id=1787 Charlie's Change Time Limit: 1000MS Memory Limit: 30000K Total Subm ...
- LCS 的 NlogN作法
这个算法其实是因为LIS有NlogN的作法,把LCS转化为了LIS来做. 对于序列A{},B{},我们可以记录下来B中的每个元素在A中出现的位置,按顺序保存在一个新序列当中, 如果有多个位置按倒序写, ...
- sql server数据库课程设计分析
课题:能源管理收费系统 系统功能的基本要求: (1)用户基本信息的录入:包括用户的单位.部门.姓名.联系电话.住址 : (2)用户水.电.气数据的录入(每个月的数据的录入): (3)水.电.气价格的管 ...
- DGA短域名(360样本) mark下 下次分析可以参考
一共100万,按照长度排序后的前2000个: aagst.cnacyke.wsaefrd.ccaiqxg.ukakplh.pwalurx.pwamsmz.ccaogtp.inawwgf.inayveg ...
- dga2
0e527eaf_5ec5_4623_9fe9_e459583acd72.com0fmgm1cuu7h1279dghgka0ltg.com0ydlanpuh4e2wl9h6udk6.com10uz8k ...