1.概念和作用
此部分利用特征工程得到的数据,尝试用各种模型进行拟合。包括各种模型的比较和各种调参方法的比较。
2.标签数据处理
很多模型假设数据误差项服从正态分布,所以需要对数据进行log(x+1)变换消除标签的长尾效应,使标签接近正态分布。
train_y_ln = np.log(train_y + 1)
标签正态化之前,预测值和真实值之间偏差较大:
标签正态化之后,预测值和真实值之间偏差明显减小:
3.模型比较
3.1 线性模型
(1)线性回归
(2) Ridge回归
在线性回归的基础上加上L1正则化的方法称为Ridge回归。L1正则化是嵌入式特征选择方法中的一种。
(3)Lasso回归
在线性回归的基础上加上L2正则化的方法称为Lasso回归。L2正则化是嵌入式特征选择方法中的一种。
对这几种模型利用五折交叉验证进行训练:
from sklearn.linear_model import LinearRegression
from sklearn.linear_model import Ridge
from sklearn.linear_model import Lasso
models = [LinearRegression(),
Ridge(),
Lasso()]
result = dict()
for model in models:
model_name = str(model).split('(')[0]
scores = cross_val_score(model, X=train_X, y=train_y_ln, verbose=0, cv = 5, scoring=make_scorer(mean_absolute_error))
result[model_name] = scores
result = pd.DataFrame(result)
result.index = ['cv' + str(x) for x in range(1, 6)]
print(result)
对这三种线性模型的方法进行比较,score分数越小模型拟合效果越好,所以这三种线性模型中,线性回归的拟合效果最好。(不知道为什么L2正则化效果这么差= =)
3.2 非线性模型
(1)决策树模型DecisionTreeRegressor
(2)随机森林模型RandomForestRegressor
(3)Gradient Boosting:在迭代的时候选择梯度下降的方向来保障最后的结果最好
(4)XGBoost模型
(5)LightGBM模型
非线性模型和线性回归的拟合结果比较,发现随机森林模型最为有效
4.模型调参
以LGBoost算法为例,利用三种调参方法分别调参,找到最优的超参数组合(objective, num_leaves, max_depth)
4.1 贪心算法
分别对LGBoost的objective, num_leaves, max_depth进行调参,调参后误差逐渐下降如下图所示:
4.2 网格调参
调参后误差由0.155430降到0.15072
4.3 贝叶斯调参
调参后误差由0.155430降到0.142818