Datawhale AI 夏令营-电力需求预测挑战赛

 入门lightgbm，开始特征工程

本次问题是回归预测，能够取得不错效果的话，常规思路一般为使用机器学习模型，如LightGBM、XGBoost，或者使用深度学习模型（神经网络等）进行实践，在模型的搭建上就比较复杂，需要自己构建模型结构，对于数值数据需要进行标准化处理；

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。

• 1）导入模块

  此部分包含代码所需的模块

  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。

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

  （3）特征工程

  这里主要构建了 历史平移特征 和 窗口统计特征；每种特征都是有理可据的，具体说明如下：

• 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。

• 

• 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。

• 

• # 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']]

  （4）模型训练与测试集预测

  这里选择使用Lightgbm模型，也是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的也能得到比较稳定的分数。

  另外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，

• 这样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）。

• 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)