10万元奖金“智源工业检测赛”激战正酣！高分Baseline合辑带你入门智能制造

最新推荐文章于 2022-08-01 20:41:15 发布

PaperWeekly

最新推荐文章于 2022-08-01 20:41:15 发布

阅读量468

点赞数

原文链接：https://www.biendata.com/competition/bosch/

版权

百年德企博世放出真实独家生产场景脱敏数据，邀你为工业 4.0 制造练就 AI 大脑。

目前，由北京智源人工智能研究院联合博世和 biendata 共同发布的“INSPEC 工业大数据质量预测赛”（2019 年 12 月 — 2020 年 4 月）正在火热进行中，总奖金为 10 万元。

比赛发布了博世某系列产品近年来的质量检测相关数据，要求选手根据已有产品质检环节记录的相关参数，使用机器学习算法对正在测试的产品进行质量预测，提前判断次品，节省整体检测时间。比赛和数据可于下方链接查看，或点击“阅读原文”，欢迎所有感兴趣的报名读者参赛。

目前，赛事已接近半程，为帮助选手进一步提升模型预测结果，biendata 邀请的四名活跃选手：pinlan（2019 数字中国混泥土砼活塞故障预警冠军）、bestIteration（JData 亚军、2019 KDD Top 10）、sijinabc、hh_neuq 分享四个分数在 0.6 左右的 baseline ，希望可以为大家在数据探索、特征工程、模型选择、参数调优等方面提供参考和思路。

比赛地址：

https://www.biendata.com/competition/bosch/

Baseline 概览

（一）选手 pinlan 首先根据题意将赛题归为二分类问题，在样本构造方面，该选手建议样本应和官方提供 validation 相似，并认为样本构造方法可能是上分关键。

在特征工程上，选手 pinlan：1）针对产品实例 Product_ID 构造统计特征：最值，均值；2）对类别特征进行编码；3）构思一些具有背景意义的特征；4）提示工业数据一般暗含很多规则，一些数据探索分析可以帮助发现规则，有助于分数提升。

pinlan 采用 5 fold 划分数据集，并选用 LightGBM 模型。该 Baseline 最终线上成绩为 0.6，具体代码实现欢迎访问以下页面查看或浏览下文。

https://biendata.com/models/category/4063/L_notebook/

（二）选手 bestIteration 首先分析了目标变量分布、缺失值比例、类别变量分布差异等，总结出两种建模思路：1）构造产品实例（ID_F_PROCESS）的特征，预测其最终是否合格；2）构造产品中检测步骤的特征，预测该检测步骤结果是否合格，再进一步得到对应产品实例最终是否合格。

关于特征工程，bestIteration 主要聚焦于对连续值的统计特征（如 RESULT_VALUE）、每个检测步骤中 RESULT_VALUE 的统计特征、对类别变量的 TFIDF 特征（如 ID_F_PARAMETER_S）。该选手选用 LightGBM 模型，并使用 5 折交叉验证。该 Baseline 最终线上成绩为 0.61+，具体代码实现欢迎以下访问页面查看。

https://biendata.com/models/category/4239/L_notebook/

（三）选手 sijinabc 经过对数据的理解，其分类模型将在以下几点假设的基础上建立：1）对于产品检测的过程数据，不同检测步骤之间互不影响，因此认为检测数据不存在时间序列关系；2）对于各检测序列中正常的检测数据，不同产品之间的数值差别可以体现产品的不同质量；3）不同产品的检测序列长度、检测顺序、检测内容不同，模型需有较好的泛化性，注意防止过拟合。

其主要思路为：

1）简化数据表，减小数据维度；

2）建立训练集，其中包括将检测参数序列号（ID_F_PARAMETER_S ）顺序排列作为特征名；对应的数值型检测结果（RESULT_VALUE）或参数检测结果（PARAMETER_RESULT_STATE）作为模型特征；产品实例的最终检测结果（PROCESS_RESULT_STATE）作为样本标签；分别取前四个、前十个检测步骤的序列 ID（ID_F_PHASE_S）0~9 对应的检测参数序列及检测结果用于训练模型；识别并删除异常数据。

3）建立二分类模型。该 Baseline 最终线上成绩为 0.6，具体代码实现欢迎访问以下页面查看。

https://biendata.com/models/category/4224/L_notebook/

（四）选手 hh_neuq 首先读取 Excel 格式数据，将小文件合并成三个大文件，并转为 csv 格式文件存储。然后对数据进行筛选，并提取特征，用 LightGBM 建模。该选手认为，可以深入可视化，进而提取特征，并对模型进行调参。

该 Baseline 最终线上成绩为 0.57，具体代码实现欢迎访问以下页面查看。

https://biendata.com/models/category/4298/L_notebook/

Baseline 详情

pinlan 版

本 baseline 线上成绩为 0.6。

1. 赛题引入与问题分析

本次比赛的任务为产品质量预测，所使用数据为“INSPEC 工业检测大数据“，其中包含博世某产品家族的工厂生产环节的检测参数，要求选手根据训练集中产品的相关数据（如子家族名称、检测流程、检测结果）建立和优化模型，并参照目标产品中已完工序的检测结果，预测最终产品检测的结果为合格或不合格。

赛题线上验证集已经由官方提取完毕，训练数据需要自行提取。官方提供了以产品类型-子家族（TYPE_NUMBER-PRODUCTGROUP_NAME）命名的 excel 表格，每个表格下包含产品实例表，检测步骤表和步骤参数表三个表。

整体思路

1. 根据官方发布的题目，明确题目含义：参照目标产品中已完工序的检测结果，预测 "最终产品" 检测的结果为合格或不合格。

根据题意，作者将题目定义为二分类问题；
先建立 valid_4 模型，再建立 valid_11 模型，建模流程相同。

2. 训练样本构造，样本应和官方提供 validation 相似，这里样本构造方法可能是上分关键，这里提供本人样本构建方法（get_data 函数），以及部分思考。

样本越多，效果越好；
官方验证集未包含全部子家族以及产品类型，在提取训练集时是否删去官方验证集未包含的子家族；
对于 validation_predict_4 而言，提取训练数据应包含产品实例前三步检测数据，这里进行了数据筛选，剔除了前三部已经检测出问题的产品。

3. 特征工程：

针对产品实例 Product_ID 构造统计特征：最值，均值；
对类别特征进行编码；
构思一些具有背景意义的特征；
工业数据一般暗含很多规则，一些 EDA 可以帮助发现规则，有助于分数提升。

4. 采用 5 fold 划分数据集。

5. lightgbm 模型，模型可自选：

正负样本极不平衡；
主要在于不平衡样本的处理，如使用采样，is_unbalance 参数；
模型方面小数据集分类问题 Catboost 可能更具有优势。

6. 评价指标 F1。

F1 需要设置阈值，阈值对结果影响很大，概率、排序或者搜索算法等都可以；
F1 不单考虑某一类样本的准确性，需要正负样本预测准确性都高。

7. 划重点：

训练样本构造以及筛选方式，十分重要；
特征工程。

2. 数据提取与探索性分析

import numpy as np
import pandas as pd
import gc
import os
import math
import lightgbm as lgb
from sklearn.metrics import f1_score,accuracy_score,roc_auc_score
from sklearn.model_selection import StratifiedKFold,KFold,train_test_split
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
color = sns.color_palette()
sns.set_style("whitegrid")
import warnings
warnings.filterwarnings('ignore')

path='./INSPEC_train/'
test_path='./INSPEC_validation/'
filename=os.listdir('./INSPEC_train/')
data_cols = ['Product_ID', 'TYPE_NUMBER', 'PRODUCTGROUP_NAME', 'ID_F_PHASE','PHASE_RESULT_STATE', 'PHASE_NAME', 'ID_F_PHASE_S',
             'RESULT_STRING','RESULT_VALUE', 'PARAMETER_RESULT_STATE', 'LOWER_LIMIT', 'UPPER_LIMIT','AXIS', 'SIDE', 'ID_F_PARAMETER_S']

2.1 数据提取

2.1.1 数据组成

a) 产品实例表：产品实例的 ID，产品实例的最终检测结果（1 为合格、2 为不合格），产品类型名，产品类型所在子家族。

b) 检测步骤表：产品实例的 ID，检测步骤的 ID，检测步骤的结果，检测步骤的名称，检测步骤的序列 ID。

c) 步骤参数表：检测步骤 ID，字符串类型检测结果（表示产品等级），数值型检测结果，该参数检测结果，数值型检测可供参考的上下限，产品的轴、产品的面，检测步骤的序列 ID，检测参数的序列号。

2.1.2 对单个产品类型表格提取数据（get_data 函数）

a) 以每个产品类型 excel 为基础，包括产品实例表、检测步骤表和步骤参数表三个表。

b) 将三个数据表合并，对于验证集 4 提取检测步骤 ID_F_PHASE_S<3 的数据。

c) 将训练数据与验证数据比较，删除多余字段，使训练集与验证集具有相同形式。

2.1.3 将单个表提取数据合并为训练数据，其中 Product_ID 为样本编号，label 为标签 (get_train4)。

def get_data(path, data_cols, file_dir, num):
    process = pd.read_excel(path+file_dir, sheet_name='Process_Table')
    phase = pd.read_excel(path+file_dir, sheet_name='Phase_Table')
    parameters = pd.read_excel(path+file_dir, sheet_name='Parameters_Table')
    del parameters['ID_F_PHASE_S'];gc.collect()
    df = process.merge(phase, on = 'ID_F_PROCESS', how = 'left')
    df = df.merge(parameters, on = 'ID_F_PHASE', how = 'left')
    df.rename(columns={'ID_F_PROCESS':'Product_ID','PROCESS_RESULT_STATE':'label'}, inplace=True)
    df = df[data_cols+['label']]
    bad_id = df[(df['ID_F_PHASE_S'] < num)&(df['PHASE_RESULT_STATE'] == 2)]['Product_ID'].unique()
    df = df[~df['Product_ID'].isin(bad_id)]
    df = df[df['ID_F_PHASE_S'] < num].reset_index(drop=True)
    del process, phase, parameters;gc.collect()
    return df

def get_train4(path, data_cols, filename):try:
        train_4 = pd.read_csv('train_4.csv')
    except:
        train_4 = pd.DataFrame()
        for dir_file in tqdm(filename):
            temp_df = get_data(path, data_cols, dir_file, 3)
            train_4 = train_4.append(temp_df)
        train_4 = train_4.reset_index(drop=True)
        train_4.to_csv('train_4.csv', index=False)
    return train_4

2.2 探索性分析

主要特征：

1）检测方面：产品的轴、产品的面；

2）检测结果：RESULT_STRING，RESULT_VALUE，LOWER_LIMIT，UPPER_LIMI；

3）其他描述性类别特征。

train_4 = get_train4(path, data_cols, filename)
train_4.head()

train_4.describe()

plt.rcParams['font.sans-serif']=['SimHei']
train_4.drop_duplicates(subset=['Product_ID'])['label'].value_counts().plot.pie(autopct='%1.1f%%',title = '正负样本比例')

<matplotlib.axes._subplots.AxesSubplot at 0x2375cb20f98>

train_4.nunique().plot.bar(title='类别个数')

<matplotlib.axes._subplots.AxesSubplot at 0x2375cbbfb70>

(train_4.isnull().sum()/len(train_4)).plot.bar(title='缺失值比例')

<matplotlib.axes._subplots.AxesSubplot at 0x2375cc6b9b0>

标签在检测参数的序列号 ID_F_PARAMETER_S 上面变化大，可以看出说明检测步骤越多，产品越紧密，制作难度越大。

train_4.groupby('label')['ID_F_PARAMETER_S'].agg(['min', 'max', 'median','mean', 'std'])

train_4.groupby(['label'])['RESULT_VALUE'].describe()

正常来说，产品尺寸好坏要通过尺寸与公差上下极限关系来判断，因此可以考虑 RESULT_VALUE 和 LOWER_LIMIT 以及 UPPER_LIMIT 关系，构造特征：做差。可以看出距离上下限差值越大，产品越容易在制作时损坏。

temp = train_4[['Product_ID','RESULT_VALUE', 'LOWER_LIMIT', 'UPPER_LIMIT','label']].dropna()
temp.head(10)

temp['差值'] = temp['RESULT_VALUE'] - temp['LOWER_LIMIT'] / (temp['UPPER_LIMIT'] - temp['LOWER_LIMIT'])
temp.groupby('label')['差值'].describe()

代码分析

import numpy as np
import pandas as pd
import gc
import os
import math
import lightgbm as lgb
from sklearn.metrics import f1_score,accuracy_score,roc_auc_score
from sklearn.model_selection import StratifiedKFold,KFold,train_test_split

path='./INSPEC_train/'
test_path='./INSPEC_validation/'
filename=os.listdir('./INSPEC_train/')
data_cols = ['Product_ID', 'TYPE_NUMBER', 'PRODUCTGROUP_NAME', 'ID_F_PHASE','PHASE_RESULT_STATE', 'PHASE_NAME', 'ID_F_PHASE_S',
           'RESULT_STRING','RESULT_VALUE', 'PARAMETER_RESULT_STATE', 'LOWER_LIMIT', 'UPPER_LIMIT','AXIS', 'SIDE', 'ID_F_PARAMETER_S']

valid4 建模

#提取训练数据def get_data(path, data_cols, file_dir, num):
    process = pd.read_excel(path+file_dir, sheet_name='Process_Table')
    phase = pd.read_excel(path+file_dir, sheet_name='Phase_Table')
    parameters = pd.read_excel(path+file_dir, sheet_name='Parameters_Table')
    del parameters['ID_F_PHASE_S'];gc.collect()
    df = process.merge(phase, on = 'ID_F_PROCESS', how = 'left')
    df = df.merge(parameters, on = 'ID_F_PHASE', how = 'left')
    df.rename(columns={'ID_F_PROCESS':'Product_ID','PROCESS_RESULT_STATE':'label'}, inplace=True)
    df = df[data_cols+['label']]
    bad_id = df[(df['ID_F_PHASE_S'] < num)&(df['PHASE_RESULT_STATE'] == 2)]['Product_ID'].unique()
    df = df[~df['Product_ID'].isin(bad_id)]
    df = df[df['ID_F_PHASE_S'] < num].reset_index(drop=True)
    del process, phase, parameters;gc.collect()
    return df
#合并数据def get_train4(path, data_cols, filename):try:
        train_4 = pd.read_csv('train_4.csv')
    except:
        train_4 = pd.DataFrame()
        for dir_file in tqdm(filename):
            temp_df = get_data(path, data_cols, dir_file, 3)
            train_4 = train_4.append(temp_df)
        train_4 = train_4.reset_index(drop=True)
        train_4.to_csv('train_4.csv', index=False)
    return train_4

#构造统计特征def make_feature(data,aggs,name,data_id):
    agg_df = data.groupby(data_id).agg(aggs)
    agg_df.columns = agg_df.columns = ['_'.join(col).strip()+name for col in agg_df.columns.values]
    agg_df.reset_index(drop=False, inplace=True)
    return agg_df

#产品实例统计特征def get_4_fe(data,cate_cols):
    dd_cols = ['PHASE_RESULT_STATE', 'RESULT_STRING','PARAMETER_RESULT_STATE']
    data.drop(columns=dd_cols, inplace=True)
    data['ID_F_PHASE_S'] = data['ID_F_PHASE_S'].astype('int8')
    df = data[['Product_ID', 'label'] + cate_cols].drop_duplicates()

    aggs = {}
    for i in ['RESULT_VALUE']:
        aggs[i] = ['min', 'max', 'mean', 'std', 'median']
    for i in ['PHASE_NAME', 'AXIS']:
        aggs[i] = ['nunique']
    aggs['ID_F_PARAMETER_S'] = ['max', 'std', 'mean', 'median', 'count']
    temp = make_feature(data, aggs, "_product", 'Product_ID')
    df = df.merge(temp, on = 'Product_ID', how='left')
    return df

#根据数值检测结果上下限构造统计def get_limit_4(data,df):
    temp = data[['Product_ID','RESULT_VALUE', 'LOWER_LIMIT', 'UPPER_LIMIT']].dropna()
    temp['差值'] = temp['RESULT_VALUE'] - temp['LOWER_LIMIT'] / (temp['UPPER_LIMIT'] - temp['LOWER_LIMIT'])
    aggs = {}
    aggs['差值'] = ['min', 'max', 'mean']
    temp_df = make_feature(temp, aggs, "_limit", 'Product_ID')
    df = df.merge(temp_df, on = 'Product_ID', how='left')
    return df

#目标编码def get_target_mean_4(df, cate_cols):for i in cate_cols:
        df[f'{i}_label_mean'] = df.groupby(i)['label'].transform('mean')
    return df

#建模数据def get_training_data(df, name):
    train_4 = df[~df['label'].isnull()].reset_index(drop=True)
    test_4 = df[df['label'].isnull()].reset_index(drop=True)

    col = [i for i in train_4.columns if i notin ['Product_ID', 'label']]
    X_train = train_4[col]
    y_train = (train_4['label']-1).astype(int)
    X_test = test_4[col]
    sub = test_4[['Product_ID']].copy()
    print('{} train shape {} and test shape {}'.format(name, X_train.shape, X_test.shape))
    return X_train, y_train, X_test, sub

1. 提取数据

train_4 = get_train4(path, data_cols, filename)
test_4 = pd.read_csv(test_path + 'validation_predict_4.csv')
train_4 = train_4[train_4['PRODUCTGROUP_NAME'].isin(test_4['PRODUCTGROUP_NAME'].unique())]
data_4 = train_4.append(test_4).reset_index(drop=True)
data_4.loc[data_4['AXIS'] == -9.223372036854776e+18, 'AXIS'] = np.nan
print('val_4 train sample {} and test sample {}'.format(train_4['Product_ID'].nunique(), test_4['Product_ID'].nunique()))

val_4 train sample 16441 and test sample 3721

2. 特征工程

cate_cols = ['TYPE_NUMBER', 'PRODUCTGROUP_NAME']
df4 = get_4_fe(data_4,cate_cols)
df4 = get_limit_4(data_4,df4)
df4 = get_target_mean_4(df4,cate_cols)
df4['TYPE_NUMBER'] = df4['TYPE_NUMBER'].astype('category')
df4['PRODUCTGROUP_NAME'] = df4['PRODUCTGROUP_NAME'].astype('category')
#构建标签
X_train, y_train, X_test, sub1 = get_training_data(df4, 'val_4')

val_4 train shape (16441, 19) and test shape (3721, 19)

3. 模型训练

lgb 自定义评测 f1 评测：

def lgb_f1_score(y_hat, data):
    y_true = data.get_label()
    y_hat = np.round(y_hat)
    return'f1', f1_score(y_true, y_hat), True

五折划分数据，lgb 参数设置：

K = 5
seed = 2020
skf = StratifiedKFold(n_splits=K, shuffle=True, random_state=seed)
lgb_params = {
                        'boosting_type': 'gbdt',
                        'objective': 'binary',
                        'metric': 'None',
                        'num_leaves': 63,
                        'subsample': 0.8,
                        'colsample_bytree': 0.8,
                        'learning_rate': 0.05,
                        'lambda_l2':2,
                        'nthread': -1,
                        'silent': True
             }

f1_scores = []
oof = np.zeros(len(X_train))
predictions = np.zeros(len(X_test))
feature_importance_df = pd.DataFrame()

for i, (train_index, val_index) in enumerate(skf.split(X_train,y_train)):
    print("fold{}".format(i))
    X_tr, X_val = X_train.iloc[train_index], X_train.iloc[val_index]
    y_tr, y_val = y_train.iloc[train_index], y_train.iloc[val_index]

    lgb_train = lgb.Dataset(X_tr,y_tr)
    lgb_val = lgb.Dataset(X_val,y_val)
    num_round = 3000
    clf = lgb.train(lgb_params, lgb_train, num_round, valid_sets = [lgb_train, lgb_val], feval=lgb_f1_score,
                    categorical_feature=['TYPE_NUMBER', 'PRODUCTGROUP_NAME'],
                    verbose_eval=100, early_stopping_rounds = 100)
    oof[val_index] = clf.predict(X_val, num_iteration=clf.best_iteration)
    pred = clf.predict(X_val, num_iteration=clf.best_iteration)
    sc = f1_score(y_val, np.round(pred))
    f1_scores.append(sc)
    print(f'fold{i} f1 score = ',sc)
    print('best iteration = ',clf.best_iteration)
    fold_importance_df = pd.DataFrame()
    fold_importance_df["Feature"] = clf.feature_name()
    fold_importance_df["importance"] = clf.feature_importance()
    fold_importance_df["fold"] = i + 1
    feature_importance_df = pd.concat([feature_importance_df, fold_importance_df], axis=0)
    predictions += clf.predict(X_test, num_iteration=clf.best_iteration) / skf.n_splits
print('val_4 训练f1均值: {}，波动: {}.'.format(np.mean(f1_scores), np.std(f1_scores)))
print('val_4 macro F1 score: ',f1_score(y_train, np.round(oof),average='macro'))

4. 特征重要性

plt.figure(figsize=(12,8))
sns.barplot(y='Feature', x='importance',data=feature_importance_df)
plt.title('val_4特征重要性')

Text (0.5,1,'val_4特征重要性')

5. 生成 val4 结果

sub1['label'] = predictions
sub1['label'] = sub1['label'].rank()
sub1['label'] = (sub1['label']>=sub1.shape[0] * 0.93).astype(int)
sub1['label'] = (sub1['label'] + 1).astype(int)
sub1.rename(columns={'Product_ID':'id'}, inplace=True)
print('val_4正负样本比例:\n', sub1['label'].value_counts())

val_4 正负样本比例：

1 3460

2 261

Name: label, dtype: int64

这里结合数据和结果发现规则：结果中发现一个产品实例只有三条检测记录的正常样本居多，直接全部赋值 1，大概有百分位提升，但更换数据集后效果未知。

rule = test_4['Product_ID'].value_counts()
rule = rule[rule==3].index.values
sub1.loc[sub1['id'].isin(rule), 'label'] = 1
print('val_4正负样本比例:\n', sub1['label'].value_counts())

val_4 正负样本比例：

1 3609

2 112

Name: label, dtype: int64

valid11 建模

#合并数据def get_train11(path, data_cols, filename):try:
        train_11 = pd.read_csv('train_11.csv')
    except:
        train_11 = pd.DataFrame()
        for dir_file in tqdm(filename):
            temp_df = get_data(path, data_cols, dir_file, 10)
            train_11 = train_11.append(temp_df)
        train_11 = train_11.reset_index(drop=True)
        train_11.to_csv('train_11.csv', index=False)
    return train_11

#产品实例统计特征def get_11_fe(data_11, cate_cols):
    dd_cols = ['PHASE_RESULT_STATE', 'PARAMETER_RESULT_STATE']
    data_11.drop(columns=dd_cols, inplace=True)
    data_11['ID_F_PHASE_S'] = data_11['ID_F_PHASE_S'].astype('int8')
    df = data_11[['Product_ID', 'label'] + cate_cols].drop_duplicates()

    aggs = {}
    for i in ['RESULT_VALUE']:
        aggs[i] = ['min', 'max', 'mean', 'std', 'median']
    for i in ['PHASE_NAME', 'AXIS', 'SIDE', 'RESULT_STRING']:
        aggs[i] = ['nunique']
    aggs['ID_F_PARAMETER_S'] = ['max', 'std', 'mean', 'count']
    temp = make_feature(data_11, aggs, "_product", 'Product_ID')
    df = df.merge(temp, on = 'Product_ID', how='left')
    return df

#根据数值检测检测上下限构造统计def get_limit_11(data,df):
    temp = data[['Product_ID','RESULT_VALUE', 'LOWER_LIMIT', 'UPPER_LIMIT']].dropna()
    temp['差值'] = temp['RESULT_VALUE'] - temp['LOWER_LIMIT'] / (temp['UPPER_LIMIT'] - temp['LOWER_LIMIT'])
    aggs = {}
    aggs['差值'] = ['min', 'max', 'mean']
    temp_df = make_feature(temp, aggs, "_limit", 'Product_ID')
    df = df.merge(temp_df, on = 'Product_ID', how='left')
    return df

#类别特征def get_cate_11(data, df, cate_cols):
    df['TYPE_NUMBER'] = df['TYPE_NUMBER'].astype('category')
    df['PRODUCTGROUP_NAME'] = df['PRODUCTGROUP_NAME'].astype('category')

    temp = pd.pivot_table(data=data, index='Product_ID',values='RESULT_VALUE',columns='SIDE',aggfunc='min').reset_index()
    df = df.merge(temp, on = 'Product_ID', how='left')

    temp = pd.pivot_table(data=data, index='Product_ID',values='RESULT_VALUE',columns='AXIS',aggfunc='min').reset_index()
    df = df.merge(temp, on = 'Product_ID', how='left')

    temp = pd.pivot_table(data=data, index='Product_ID',values='RESULT_VALUE',columns='RESULT_STRING',aggfunc='count').reset_index()
    df = df.merge(temp, on = 'Product_ID', how='left')

    for i in cate_cols:
        df[f'{i}_label_mean'] = df.groupby(i)['label'].transform('mean')

    return df

1. 提取数据

train_11 = get_train11(path, data_cols, filename)
test_11 = pd.read_csv(test_path + 'validation_predict_11.csv')
train_11 = train_11[train_11['PRODUCTGROUP_NAME'].isin(test_11['PRODUCTGROUP_NAME'].unique())]
data_11 = train_11.append(test_11).reset_index(drop=True)
data_11.loc[data_11['AXIS'] == -9.223372036854776e+18, 'AXIS'] = np.nan
print('val_11 train sample {} and test sample {}'.format(train_11['Product_ID'].nunique(), test_11['Product_ID'].nunique()))

val_11 train sample 13051 and test sample 3784

2. 特征工程

cate_cols = ['TYPE_NUMBER', 'PRODUCTGROUP_NAME']
df11 = get_11_fe(data_11, cate_cols)
df11 = get_limit_11(data_11, df11)
df11 = get_cate_11(data_11, df11, cate_cols)

# 构建标签
X_train, y_train, X_test, sub2 = get_training_data(df11, 'val_11')

val_11 train shape (13051, 36) and test shape (3784, 36)

3. 模型训练

五折划分数据，lgb 参数设置：

K = 5
seed = 2020
skf = StratifiedKFold(n_splits=K, shuffle=True, random_state=seed)
lgb_params = {
                        'boosting_type': 'gbdt',
                        'objective': 'binary',
                        'metric': 'None',
                        'num_leaves': 32,
#                         'is_unbalance': True,'subsample': 0.9,
                        'colsample_bytree': 0.9,
                        'learning_rate': 0.05,
                        'lambda_l2':1,
#                         'min_data_in_leaf':10,'nthread': -1,
                        'silent': True
             }

f1_score2 = []
oof = np.zeros(len(X_train))
predictions2 = np.zeros(len(X_test))
feature_importance_df = pd.DataFrame()

for i, (train_index, val_index) in enumerate(skf.split(X_train,y_train)):
    print("fold_{}".format(i))
    X_tr, X_val = X_train.iloc[train_index], X_train.iloc[val_index]
    y_tr, y_val = y_train.iloc[train_index], y_train.iloc[val_index]

    lgb_train = lgb.Dataset(X_tr,y_tr)
    lgb_val = lgb.Dataset(X_val,y_val)
    num_round = 3000
    clf = lgb.train(lgb_params, lgb_train, num_round, valid_sets = [lgb_train, lgb_val], feval=lgb_f1_score,
                    categorical_feature=['TYPE_NUMBER', 'PRODUCTGROUP_NAME'],
                    verbose_eval=100, early_stopping_rounds = 100)
    oof[val_index] = clf.predict(X_val, num_iteration=clf.best_iteration)
    pred = clf.predict(X_val, num_iteration=clf.best_iteration)
    sc = f1_score(y_val, np.round(pred))
    f1_score2.append(sc)
    print(f'fold{i} f1 score = ',sc)
    print('best iteration = ',clf.best_iteration)
    fold_importance_df = pd.DataFrame()
    fold_importance_df["Feature"] = clf.feature_name()
    fold_importance_df["importance"] = clf.feature_importance()
    fold_importance_df["fold"] = i + 1
    feature_importance_df = pd.concat([feature_importance_df, fold_importance_df], axis=0)
    predictions2 += clf.predict(X_test, num_iteration=clf.best_iteration) / skf.n_splits

print('val_11训练f1均值:{}，波动:{}.'.format(np.mean(f1_score2), np.std(f1_score2)))
print('val_11 macro F1 score: ',f1_score(y_train, np.round(oof),average='macro'))

4. 特征重要性

plt.figure(figsize=(12,8))
sns.barplot(y='Feature', x='importance',data=feature_importance_df)
plt.title('val_11特征重要性')

Text (0.5,1,'val_11特征重要性')

5. 生成 val_11 结果

sub2['label'] = predictions2
sub2['label'] = sub2['label'].rank()
sub2['label'] = (sub2['label']>=sub2.shape[0] * 0.97).astype(int)
sub2['label'] = (sub2['label'] + 1).astype(int)
sub2.rename(columns={'Product_ID':'id'}, inplace=True)
print('正负样本比例：\n', sub2['label'].value_counts())

正负样本比例：

1 3703

2 81

Name: label, dtype: int64

生成提交文件

sub = sub1.append(sub2)
print('正负样本比例：\n', sub['label'].value_counts())
sub.to_csv(f'sub_val4_{np.round(np.mean(f1_scores),3)}_val11_{np.round(np.mean(f1_score2),3)}.csv', index=False)

正负样本比例：

1 7312

2 193

Name: label, dtype: int64

sub.head()

由于文章篇幅限制，其他选手 Baseline 请扫码查看。

▲ bestIteration版

▲ sijinabc版

▲ hh_neuq版

参赛方式

点击阅读原文链接或扫描下图中的二维码直达赛事页面，注册网站-下载数据，即可参赛。

biendata 是知名的国际性大数据竞赛平台，面向全球在校学生、科研人员、企业以及自由职业者开放，期待对人工智能感兴趣的小伙伴能在平台上众多比赛中大展身手，在思维与技术的交流碰撞中激发创新和突破。

友情提示，因涉及到数据下载，强烈建议大家登录 PC 页面报名参加。

INSPEC 工业检测大数据

智源联合博世发布了 INSPEC 工业检测大数据，该数据集包括某系列产品近年来的质量检测相关数据，其中主要为每个产品质量检测环节各个步骤记录的相关参数，每个步骤都标注检测判定结果，整体数据量在 3w 条左右。相比于类似数据集，本比赛数据具有显著优势和特点。

首先，该数据集来自世界顶尖制造企业真实的工厂生产数据，已经过脱敏处理，尽量还原现实环境中产品检测的工序和流程。其次，INSPEC 工业检测大数据详细记录了检测环节生成的具体产品参数，涵盖产品子家族 ID、实例 ID、检测环节 ID、检测环节结果、检测规格和数值等。丰富的数据维度一方面增强了比赛的难度，另一方面有助于选手打造更加鲁棒的模型。

智源算法大赛

2019 年 9 月，智源人工智能算法大赛正式启动。本次比赛由北京智源人工智能研究院主办，清华大学、北京大学、中科院计算所、旷视、知乎、博世、爱数智慧、国家天文台、晶泰等协办，总奖金超过 100 万元，旨在以全球领先的科研数据集与算法竞赛为平台，选拔培育人工智能创新人才。

研究院副院长刘江也表示：“我们希望不拘一格来支持人工智能真正的标志性突破，即使是本科生，如果真的是好苗子，我们也一定支持。”而人工智能大赛就是发现有潜力的年轻学者的重要途径。

本次智源人工智能算法大赛有两个重要的目的，一是通过发布数据集和数据竞赛的方式，推动基础研究的进展。特别是可以让计算机领域的学者参与到其它学科的基础科学研究中。二是可以通过比赛筛选、锻炼相关领域的人才。智源算法大赛已发布全部的 10 个数据集，目前仍有 5 个比赛（奖金 50 万）尚未结束。

正在角逐的比赛

智源小分子化合物性质预测挑战赛

https://www.biendata.com/competition/molecule/

智源杯天文数据算法挑战赛

https://www.biendata.com/competition/astrodata2019/

智源-INSPEC 工业大数据质量预测赛

https://www.biendata.com/competition/bosch/

智源-MagicSpeechNet 家庭场景中文语音数据集挑战赛

https://www.biendata.com/competition/magicdata/

智源-高能对撞粒子分类挑战赛

https://www.biendata.com/competition/jet/

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

PaperWeekly

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
10万元奖金“智源工业检测赛”激战正酣！高分Baseline合辑带你入门智能制造

百年德企博世放出真实独家生产场景脱敏数据，邀你为工业 4.0 制造练就 AI 大脑。目前，由北京智源人工智能研究院联合博世和biendata共同发布的“INSPEC工业大数据质量预...
复制链接

扫一扫