【Datawhale AI 夏令营】从零入门AI竞赛(机器学习方向)----电力需求预测挑战赛 Task 2-CSDN博客

本文链接：https://blog.csdn.net/m0_75103370/article/details/140435286

前面我们在Task 1中介绍了赛题，并给出基于经验模型的baseline完成了预测任务。

本Task中，我们的任务是使用进阶的机器学习模型lightgbm解决本次问题，以达到更好的预测效果。机器学习中的一个经典理论是：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。

Task 2的任务是使用LightGBM解决问题

什么是lightbgm？它的作用是什么？

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。

更多内容可见 LightGBM 中文文档、LightGBM英文文档

进阶代码详解

此次Task 2是基于kaggle完成的，这是我的NoteBook链接：Task 2

（1）导入模块

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')

Numpy: import numpy as np
- 用于处理数组和数学计算的基础库，通常用于数值计算和数组操作。
Pandas: import pandas as pd
- 用于数据处理和分析的库，特别擅长处理表格数据（DataFrame）。
LightGBM: import lightgbm as lgb
- 一种高效的梯度提升树算法，常用于分类和回归任务，适合大规模数据集。
Sklearn Metrics: from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
- 导入几个评估模型性能的指标：
  - mean_squared_log_error: 计算均方对数误差，适合处理有偏差的预测问题。
  - mean_absolute_error: 计算平均绝对误差，反映预测值与实际值之间的平均差距。
  - mean_squared_error: 计算均方误差，常用来评估回归模型的性能。
TQDM: import tqdm
- 用于显示进度条，方便跟踪循环或长时间运行的操作的进度。
Sys 和 OS: import sys 和 import os
- sys用于与Python解释器交互，os用于与操作系统交互，常用于文件路径管理等。
GC: import gc
- Python的垃圾回收模块，用于手动管理内存，通常在处理大数据时使用。
Argparse: import argparse
- 用于解析命令行参数，便于运行脚本时传递参数。
Warnings: import warnings
- 用于控制警告的显示，这里用warnings.filterwarnings('ignore')来忽略所有警告，保持输出整洁。

（2）探索性数据分析（EDA）

train = pd.read_csv('/kaggle/input/test11/test.csv')
test = pd.read_csv('/kaggle/input/train1/train.csv')

这段代码的作用是读取训练和测试数据集。具体分析如下：

读取数据:
- pd.read_csv() 用于读取指定路径的 CSV 文件，并将其转换为 Pandas 的 DataFrame。
- train 存储的是训练集数据，test 存储的是测试集数据。
文件路径:
- '/kaggle/input/train1/train.csv' 和 '/kaggle/input/test11/test.csv' 表示在 Kaggle 环境下的输入路径，通常用于比赛或项目中加载数据集。

数据集用途

训练集 (train): 包含用于训练模型的特征和目标变量。
测试集 (test): 包含用于评估模型的特征，通常不包含目标变量。

（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']]

这段代码的主要目的是对训练数据和测试数据进行预处理，以便后续建模。以下是对每个步骤的详细分析：

1. 合并和排序数据

data = pd.concat([test, train], axis=0, ignore_index=True)
data = data.sort_values(['id', 'dt'], ascending=False).reset_index(drop=True)

合并：将 test 和 train 数据集纵向合并为一个大数据集 data，并重置索引。
排序：根据 id 和 dt 列进行降序排序，这在时间序列分析中很重要，以确保时间上最新的数据在前面。

2. 历史平移

for i in range(10, 30): data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)

平移：为每个 id 生成过去 10 到 29 个时间步的目标值（target），以便捕捉时间序列的历史特征。通过 shift(i) 方法，创建新的特征列，例如 last10_target 表示 10 个时间步之前的目标值。

3. 窗口统计

data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3

窗口统计：计算过去三期的目标值的平均数，形成一个新的特征 win3_mean_target。这有助于平滑数据并捕捉最近的趋势。

4. 数据切分

train = data[data.target.notnull()].reset_index(drop=True) test = data[data.target.isnull()].reset_index(drop=True)

切分数据集：根据 target 列是否存在，将数据分回训练集和测试集。train 包含有目标值的行，而 test 则是缺失目标值的行，便于后续模型训练和预测。

5. 确定输入特征

train_cols = [f for f in data.columns if f not in ['id', 'target']]

特征选择：创建一个包含所有特征的列表 train_cols，该列表排除了 id 和 target 列。这是后续建模时需要使用的输入特征。

（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 = model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix], categorical_feature=[], callbacks=[lgb.early_stopping(500), lgb.log_evaluation(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)

time_model 函数用于训练 LightGBM 模型，处理时间序列数据。它将数据拆分为训练集和验证集，训练模型，评估性能，并生成验证集和测试集的预测结果。

逐步分析

1. 切分数据

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']

训练集：选择 dt 大于等于 31 的行作为特征（trn_x）和目标（trn_y）。
验证集：选择 dt 小于等于 30 的行作为特征（val_x）和目标（val_y）。这种方法确保模型在未来数据上训练，在过去数据上验证，适用于时间序列任务。

2. 创建 LightGBM 数据集

train_matrix = lgb.Dataset(trn_x, label=trn_y) 
valid_matrix = lgb.Dataset(val_x, label=val_y)

数据集构建：将训练和验证数据转换为 LightGBM 的数据集格式，以便优化训练和高效处理大型数据集。

3. 设置 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,
}

参数解释：
- boosting_type：指定提升方法（梯度提升决策树）。
- objective：定义问题类型（回归）。
- metric：评估指标（均方误差）。
- min_child_weight：子节点所需的最小实例权重和（防止过拟合）。
- num_leaves：树中的叶子节点数量，控制模型复杂度。
- lambda_l2：L2 正则化项，防止过拟合。
- feature_fraction 和 bagging_fraction：随机选择部分特征和数据以进行训练，促进模型泛化。
- learning_rate：更新权重的步长；较低的值通常需要更多的迭代以达到较好的性能。
- seed：确保结果的可重复性。
- nthread：用于并行处理的线程数。
- verbose：控制输出信息；-1 表示不输出。

4. 训练模型

odel = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix],
                  categorical_feature=[], callbacks=[lgb.early_stopping(500), lgb.log_evaluation(500)])

模型训练：使用指定参数和数据集训练 LightGBM 模型，最多可迭代 50,000 次，并使用早期停止机制防止过拟合。

5. 进行预测

val_pred = model.predict(val_x, num_iteration=model.best_iteration)
test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)

预测：使用训练好的模型对验证集和测试集进行预测，确保使用最佳迭代次数以获得最佳性能。

6. 评估模型

score = mean_squared_error(val_pred, val_y)
print(score)

评分计算：计算验证集预测值与实际目标值之间的均方误差（MSE），提供模型性能的量化评估。

最后步骤

return val_pred, test_pred

返回值：函数返回验证集和测试集的预测结果。

保存结果

test['target'] = lgb_test 
test[['id', 'dt', 'target']].to_csv('submit.csv', index=None)

保存输出：将测试集的预测结果添加到 test 数据框，并将其保存为 submit.csv 文件，以供提交或进一步分析。

kaggle运行结果

上传结果

比赛网址：

2024 iFLYTEK AI开发者大赛-讯飞开放平台
最后得分：