数据挖掘训练营建模调参学习笔记

本学习笔记为阿里云天池龙珠计划数据挖掘训练营的学习内容，学习链接为：-天池实验室-实时在线的数据分析协作工具，享受免费计算资源 (aliyun.com)https://tianchi.aliyun.com/notebook-ai/detail?spm=5176.20850271.J_3678908510.8.25243daangG2Dh&postId=170927

一、学习知识点概要

• 了解常用的机器学习模型，并掌握机器学习模型的建模与调参流程

 线性回归模型

Liner Regression-线性回归 - 知乎

决策树模型

Python实现决策树 - 知乎

GBDT模型

机器学习大杀器——梯度提升树GBDT - 知乎

XGBoost模型

灵魂拷问，你看过Xgboost原文吗？ - 知乎

LightGBM模型

无痛看懂LightGBM原文 - 知乎

推荐教材：

• 《机器学习》 机器学习 (豆瓣)
• 《统计学习方法》 统计学习方法 (豆瓣)
• 《Python大战机器学习》 Python大战机器学习 (豆瓣)
• 《面向机器学习的特征工程》 Feature Engineering for Machine Learning Models (豆瓣)
• 《数据科学家访谈录》 数据科学家访谈录 (豆瓣)

二、学习内容

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

 reduce_mem_usage 函数通过调整数据类型，帮助我们减少数据在内存中占用的空间

def reduce_mem_usage(df):
    """ iterate through all the columns of a dataframe and modify the data type
        to reduce memory usage.        
    """
    start_mem = df.memory_usage().sum() 
    print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))
    
    for col in df.columns:
        col_type = df[col].dtype
        
        if col_type != object:
            c_min = df[col].min()
            c_max = df[col].max()
            if str(col_type)[:3] == 'int':
                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                    df[col] = df[col].astype(np.int8)
                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                    df[col] = df[col].astype(np.int16)
                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                    df[col] = df[col].astype(np.int32)
                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                    df[col] = df[col].astype(np.int64)  
            else:
                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
                    df[col] = df[col].astype(np.float16)
                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
                    df[col] = df[col].astype(np.float32)
                else:
                    df[col] = df[col].astype(np.float64)
        else:
            df[col] = df[col].astype('category')

    end_mem = df.memory_usage().sum() 
    print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))
    print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))
    return df

sample_feature = reduce_mem_usage(pd.read_csv('data_for_tree.csv'))

Memory usage of dataframe is 62099672.00 MB

Memory usage after optimization is: 16520303.00 MB

Decreased by 73.4%

continuous_feature_names = [x for x in sample_feature.columns if x not in ['price','brand','model'