CMI 随机森林方法分析

梳理核心思路：

将event和step的预测问题，转化为新建标签asleep（表示是否在睡觉）的分类问题。

转化方式：

event列中：1-onset， 2-wakeup 表示入睡和醒来的时间点。 这里为了更好地展示event标签，选择了train_event的图片。

首先，以每个人的id_series为单位(每人只有一个id，每个id有很多睡眠数据，参考id_map)，将入睡和醒来的时间点进行匹配组合后，就得到一组组睡觉的事件。将睡觉事件规定为：入睡在前，醒来在后。

对匹配组合的解释： 训练数据中event列可能存在以1-1-2这个顺序出现的情况，其代表的意思是 ，入睡-入睡-醒来。但根据常识，睡觉只有一次入睡，说明这个数据是有问题的。1-1-2这种情况导致我们的转化失败。所以在转化之前，先进行一次匹配，让1与2一一对应。

ps：睡觉事件与night基本对齐。在一个id的series中，step和timestamp基本对齐。

做法：

在每组睡觉事件中，onset和wakeup之间的时间 认为处于在睡眠状态。反之则处于清醒状态。

新建一个标签asleep，睡眠状态（onset-1 和wakeup-2之间）的标签为1，非睡眠状态为0。

到这里，就把问题转化为了一个二分类问题（是否处于睡眠状态）。// event本身任务的预测没有精准定位，也就是不确定为回归还是分类问题，现在确定为二分类。

具体代码实现：

y = y.vstack
(sample.with_columns
(sum([(onset <= pl.col('step')) & (pl.col('step') <= wakeup) 
for onset, wakeup in zip(onsets, wakeups)])
.cast(pl.Boolean).alias('asleep')).select('asleep')
)

模型训练流程：

特征工程之后，做一个采样，原来是每5秒一个采样点。现在每隔5分钟采一次样。

根据转化方式，将采样后的数据加一个新label----asleep。将训练数据和新label一起放到随机森林算法中拟合。

rf_classifier.fit(X_train[feature_cols], y_train)

放入算法的训练数据，包括hour, 以及enmo，anglez的各种统计量。

测试：

将test_series对应数据列放入拟合的随机森林中，得到分类结果和对应的porb。

 preds, probs = classifier.predict(X[feature_cols]), classifier.predict_proba(X[feature_cols])[:, 1]

将预测结果作为新的列/标签/特征 直接加入到测试数据集中后面，因为测试数据集的顺序没有改变，所以能实现：预测结果与原测试数据集的每条采样一一对应起来。

“解转化”：

预测结果为是否处于睡眠状态（asleep=1还是0）。

睡眠都是一段一段的，每段的开始标记为onset，结束标记为wakeup。

利用差分来寻找开始与结束。

pred_onsets = X.filter(X['prediction'].diff() > 0)['step'].to_list()
pred_wakeups = X.filter(X['prediction'].diff() < 0)['step'].to_list()

这里完成从asleep标签到event标签的映射。而在test_series数据中event标签又与step特征对应。

这样就可以得到入睡醒来的时间，也就是对应的submission需要的event，step。另外，submission需要的特征——series_id与step对应。需要的score = 分类时计算的prob取平均。

从而实现：

将是否睡觉的分类结果（asleep），映射到何时（step）入睡（onset），何时（step）醒来（wakeup）的预测问题的解上。

 ref：

Feature Engineering and Random Forest Prediction | Kaggle