记第一次参加的数据挖掘比赛

代码调试中…

1.比赛链接：天池工业AI大赛-智能制造质量预测，最终排名89/2529

2.Github链接：IntelligentMachine

大四的这学期确实比较轻松，在保完研基本就没啥事情做了（主要就是做了一个校园招聘的数据调查项目，一些外包，以及给两个师兄师姐上python课，还有学车），在充分的感受了大学的美好生活后，还是决定好好学点东西，于是决定系统的学习一下机器学习、深度学习。以前我比较排斥看网课自学，因为觉得有点浪费时间，但是现在时间比较多，所以在coursera上选了几门课开始学习。但是这么多年过去了，看见数学公式就有点打瞌睡的习惯还是没能改变，再加上吴恩达的deeplearning好几门都没有中文字幕，所以觉得光看视频还是不行，就决定找个实际的比赛来做。于是，逛了下天池和kaggle后，选择了这个钱最多的题目（虽然钱再多也不关我事）。

概述

• 该比赛分为初赛、复赛和决赛，很遗憾，我只走到了复赛。初赛、复赛都是A/B榜切换机制，平时是A榜单数据验证，一天只能验证一次，B榜在最后两天放出来，只有两次提交机会，对A榜单过拟合的会哭得很惨…初赛只有500条训练数据，却有8000多列，需要预测100条数据，复赛是700×5000这样的维度，主办方解释是因为这些数据非常难采集。。。所以我的第一感觉就是，这是一个很不靠谱的比赛，事实也证明，运气成分很大。
  比赛中，我的主要目的是学习。在此之前，关于机器学习只手动实现过KNN,ANN, 朴素贝叶斯等简单的算法，其他的算法都只停留在了解一丢丢原理的层面上，从没有在程序中实践过，连sklearn都还没安装。通过近一个月的比赛后，算是熟练掌握了pandas\numpy\sklearn\xgboost等库的调用。。。
  因为缺少经验，所以在比赛中我大量阅读别人的博客、代码，也向一些有经验的同学请教（感谢满绩王的亲情指导），这样做确实比我瞎尝试要好得多。
  代码主要分为两部分，特征工程 + 机器学习，和大多数博客一样，特征工程占据了绝大多数时间，而对于这样一个 500 x 8000的数据，特征工程简直就是玄学。

比赛中所用的算法和技术回顾

特征工程

所有代码都包含在了github的项目中，都写为了独立的函数

• 去除错误列
  

  去除数据中缺失值过多的列或行，参数得自己调整。

• 去除错误行
  

  对于不符合正态分布3 sigmoid的行（根据正太分布原理，数值分布在（μ—3σ,μ+3σ)中的概率为0.9974），超过一定数量就删除该行。这部分代码如下:

# 去除不符合正太分布的行
def remove_wrong_row(data):
    # 计算每一列数据的上界
    upper = data.mean(axis=0) + 3 * data.std(axis=0)
    # 计算每一列数据的下界
    lower = data.mean(axis=0) - 3 * data.std(axis=0)
    # 计算每一行中超过上界的数值的数量
    wrong_data1 = (data > upper).sum(axis=1).reset_index()
    wrong_data1.columns = ['row', 'na_count']
    # 参数是经过调试的
    # 记录数量超过一定值的行数
    wrong_row1 = wrong_data1[wrong_data1.na_count >= 40].row.values
    # 计算每一行中超过下界的数值的数量
    wrong_data2 = (data < lower).sum(axis=1).reset_index()
    wrong_data2.columns = ['row', 'na_count']
    wrong_row2 = wrong_data2[wrong_data2.na_count >= 95].row.values
    wrong_row = np.concatenate((wrong_row1, wrong_row2))
    # 去除不符合正太分布的行
    data.drop(wrong_row, axis=0, inplace=True)
    return data

• 填补缺失值
  

  由于缺失的值比较多，单纯的使用fillna()的效果不是很好，在满绩王的启发下，写了KNN 近邻填充。就是利用欧式距离上距离每一行最近的K行在某一列的平均值来填充该行在该列的缺失值。具体实现代码如下（我已经尽量使用矩阵的算法来计算距离，避免使用for循环，但代码中还是使用了一层for循环，如果哪位大佬知道更好的方式，请告诉我）：

  def knn_fill_nan(data, K):
  
      # 计算每一行的空值，如有空值则进行填充，没有空值的行用于做训练数据
      data_row = data.isnull().sum(axis=1).reset_index()
      data_row.columns = ['raw_row', 'nan_count']
      # 空值行（需要填充的行）
      data_row_nan = data_row[data_row.nan_count > 0].raw_row.values
  
      # 非空行 原始数据
      data_no_nan = data.drop(data_row_nan, axis=0)
  
      # 空行 原始数据
      data_nan = data.loc[data_row_nan]
      for row in data_row_nan:
          data_row_need_fill = data_nan.loc[row]
          # 找出空列，并利用非空列做KNN
          data_col_index = data_row_need_fill.isnull().reset_index()
          data_col_index.columns = ['col', 'is_null']
          is_null_col = data_col_index[data_col_index.is_null == 1].col.values
          data_col_no_nan_index = data_col_index[data_col_index.is_null == 0].col.values
          # 保存需要填充的行的非空列
          data_row_fill = data_row_need_fill[data_col_no_nan_index]
  
          # 广播，矩阵 - 向量
          data_diff = data_no_nan[data_col_no_nan_index] - data_row_need_fill[data_col_no_nan_index]
          # 求欧式距离
          # data_diff = data_diff.apply(lambda x: x**2)
          data_diff = (data_diff ** 2).sum(axis=1)
          data_diff = data_diff.apply(lambda x: np.sqrt(x))
          data_diff = data_diff.reset_index()
          data_diff.columns = ['raw_row', 'diff_val']
          data_diff_sum = data_diff.sort_values(by='diff_val', ascending=True)
          data_diff_sum_sorted = data_diff_sum.reset_index()
          # 取出K个距离最近的row
          top_k_diff_row = data_diff_sum_sorted.loc[0:K - 1].raw_row.values
          # 根据row 和 col值确定需要填充的数据的具体位置（可能是多个）
          # 填充的数据为最近的K个值的平均值
          top_k_diff_val = data.loc[top_k_diff_row][is_null_col].sum(axis=0) / K
  
          # 将计算出来的列添加至非空列
          data_row_fill = pd.concat([data_row_fill, pd.DataFrame(top_k_diff_val)]).T
          # print(data_no_nan.shape)
          data_no_nan = data_no_nan.append(data_row_fill, ignore_index=True)
          # print(data_no_nan.shape)
      print('填补缺失值完成')
      return data_no_nan

• 去除日期列
  

  在本比赛环境中，日期对生产误差应该没有影响，但是会影响我们的线性模型，所以删除

• 将非浮点数列转化为浮点数列或直接删除
  

  主要是将数据值为字母、单词等列转换为浮点数，这些列主要是生产工具的名称，可能会有影响，在经过尝试之后，发现直接删除这些列效果更好一丢丢。

• 去除皮尔森系数在[-0.1, 0.1]之间的特征列
  

  上过概率统计的应该还记得它，它描述了两个数据之间的线形相关性，值属于[-1, 1]，-1表示完全负相关，1表示完全相关，0表示完全不相关。这里去除了绝对值小于0.1的特征，也就是几乎没什么关系的列。

• 特征选择
  

  这是特征工程中最重要的一步，看了很多博客里的方法，做了很多尝试，最终选择使用了模型融合（在复赛A榜中效果较好）。使用了RandomForestRegressor()/ AdaBoostRegressor()/ ExtraTreesRegressor()对每一列数据进行评分，选择评分最好的100列，再进行融合（其实到这里我已经感觉很玄学了）。使用了这个方法之后，我跑一遍程序的时间够我看一部电影了。代码如下：

  def ensemble_model_feature(X, Y, top_n_features):
      features = list(X)
      # 随机森林
      rf = ensemble.RandomForestRegressor()
      rf_param_grid = {'n_estimators': [900], 'random_state': [2, 4, 6, 8]}
      rf_grid = GridSearchCV(rf, rf_param_grid, cv=10, verbose=1, n_jobs=25)
      rf_grid.fit(X, Y)
      top_n_features_rf = get_top_k_feature(features=features, model=rf_grid, top_n_features=top_n_features)
      print('RF 选择完毕')
      # Adaboost
      abr = ensemble.AdaBoostRegressor()
      abr_grid = GridSearchCV(abr, rf_param_grid, cv=10, n_jobs=25)
      abr_grid.fit(X, Y)
      top_n_features_bgr = get_top_k_feature(features=features, model=abr_grid, top_n_features=top_n_features)
      print('Adaboost 选择完毕')
      # ExtraTree
      etr = ensemble.ExtraTreesRegressor()
      etr_grid = GridSearchCV(etr, rf_param_grid, cv=10, n_jobs=25)
      etr_grid.fit(X, Y)
      top_n_features_etr = get_top_k_feature(features=features, model=etr_grid, top_n_features=top_n_features)
      print('ETR 选择完毕')
      # 融合以上三个模型
      features_top_n = pd.concat([top_n_features_rf, top_n_features_bgr, top_n_features_etr],
                         ignore_index=True).drop_duplicates()
      print(features_top_n)
      print(len(features_top_n))
      return features_top_n

• 数据规范化（Normalization）
  

  这是一项基本操作，由于数据与数据之间值的差距特别大，为了减少误差，须通过规范化，将所有数据的值都映射到同一范围内。规范化的具体实现有很多种，我最终使用的是sklearn.preprocess.scale()。另外，如果自己实现的话，代码如下：

  # 自定义规范化数据
  def normalize_data(data):
      # 最大最小值规范化
      return data.apply(lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)))
      # z-socre 规范化
      # return data.apply(lambda x: (x - np.average(x)) / np.std(x))

• 至此，特征工程的所有工作就完成了。最终特征的维数在170左右，根据参数的不同会有一些变化。

机器学习

一开始在技术圈看到有人讨论，很多人都说这是一个线性模型，所以我就主要关注线性模型了。我尝试了很多模型，关于每种模型我就简单解释一下了，原理都可以自己检索。

• 最小二乘线性拟合， sklearn.linear_model.LinearRegression

最常规的线性回归模型，使用最小二乘法做拟合，效果一般

• 最小二乘线性拟合 + L2正则，sklearn.linear_model.Ridge

引入了L2正则的线性拟合，因为数据特征过多，样本太少，过拟合一直都是整个比赛中最大的问题。为了避免过拟合，首先想到的就是L2正则。效果确实好多了。

• Ridge + Bagging 集成学习

使用Ridge为基学习器，使用Bagging做集成学习，由于基础模型的选择有限，所以这里选择了Bagging做融合。Bagging是从同一数据集中随机抽取不同的数据做训练，讲道理非常适合这种样本非常少的情况。本地线下交叉验证的结果与单纯的Ridge差不多，但是感觉更稳定。初赛最终提交的就是这种算法产出的数据。

• xgboost及调参

xgboost在很多文章中都被推崇，初赛中也使用了xgboost，但是还不怎么会调参，所以效果不是很好。在复赛A榜阶段，使用xgboost取得了不错的成果，并通过将xgboost与Bagging进一步融合，再将以前提提交的线上验证比较好的答案融合，得到了A榜最好的一次成绩（其实也很糟糕…)

总结

• 1.这次比赛中所用的算法都是比较常规的，由于数据集的特点（纬度太高，样本太少），几乎没有关注数据本身的意义
• 2.这个比赛很玄学，但真的很佩服那些A/B榜切换时几乎没怎么变化的大佬
• 3.多使用matplotlib.pyplot对各种样本进行绘图，直观的观察数据往往能发现一些神奇的东西
• 3.还是继续好好学习一下再玩比赛吧

点击量：30634