Datawhale Al夏令营

第二期 机器学习 

XGBoost全称是eXtreme Gradient Boosting，可译为极限梯度提升算法。它由陈天奇所设计，致力于让提升树突破 自身的计算极限，以实现运算快速，性能优秀的工程目标。和传统的梯度提升算法相比，XGBoost进行了许多改进， 它能够比其他使用梯度提升的集成算法更加快速，并且已经被认为是在分类和回归上都拥有超高性能的先进评估器。 除了比赛之中，高科技行业和数据咨询等行业也已经开始逐步使用XGBoost，了解这个算法，已经成为学习机器学习 中必要的一环。

LightGBM并非直接基于某个特定定理，而是基于机器学习中的一些基本原则和优化理论。这里我们介绍与LightGBM密切相关的理论背景——即梯度提升算法的原理与直方图分割优化思想。

梯度提升算法原理 梯度提升算法的核心思想是通过迭代构建并组合多个弱学习器（通常是决策树），逐步减小预测残差，从而提升模型的整体性能。每轮迭代中，模型会计算残差的负梯度作为新的学习目标，训练一个决策树来拟合该梯度，并以适当的学习率将新树加入到累加函数中。

直方图分割优化思想 LightGBM引入了直方图近似算法，通过构建特征值的直方图代替原始数据，将连续值离散化为有限个区间，极大地减少了数据量和计算复杂度。在决策树构建过程中，直方图被用于快速计算最优分割点，显著提升了树的构建速度和内存效率。

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')

数据简单介绍：

• 其中id为房屋id，

• dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；

• type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；

• target为实际电力消耗，也是我们的本次比赛的预测目标。

下面进行简单的可视化分析，帮助我们对数据有个简单的了解。

• 不同type类型对应target的柱状图

import matplotlib.pyplot as plt # 不同type类型对应target的柱状图 type_target_df = train.groupby('type')['target'].mean().reset_index() plt.figure(figsize=(8, 4)) plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green']) plt.xlabel('Type') plt.ylabel('Average Target Value') plt.title('Bar Chart of Target by Type') plt.show()

• id为00037f39cf的按dt为序列关于target的折线图

specific_id_df = train[train['id'] == '00037f39cf'] plt.figure(figsize=(10, 5)) plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-') plt.xlabel('DateTime') plt.ylabel('Target Value') plt.title("Line Chart of Target for ID '00037f39cf'") plt.show()

（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。

完整代码如下：

# 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)