kaggle实战之竞赛步骤

特征使用方案

1. 基于业务理解,尽可能找出对因变量有影响的所有自变量

2. 并根据获取难度、覆盖率、准确率对特征进行可用性评估

特征获取

1. 如何获取这些特征
2. 如何存储

特征清洗

1. 清洗异常特征

2. 进行采样，如果数据不均衡，可以使用上采样或下采样保证数据均衡

3. 将少的数据给予大的权重，以模型能够着重考虑少的数据

4. 把多数据分为多类与少数据组成多组数据均衡的数据，分别训练多个弱分类器，然后bagging进行融合，分类的话通过vote投票取准确率高的模型，回归的话通过avg返回平均值

数据预处理工具

1. Pandas
2. HiveSQL
3. SparkSQL

数据预处理

1. 处理缺失值 - 中位数 或 0
2. 数据变换 - log 或 指数
3. 降维 - PCA 或 LDA

特征处理 feture_extraction(特征抽取) preprocessing(预处理)

1. 数值型

   1. 归一化
   2. 离散化 - 对数据分段 - 对连续值设置阈值进行离散分类

2. 类别型

   1. 独热编码
   2. 二进制编码
   3. 哑变量

3. 时间类

   1. 间隔型 - 离某个节日差多久 - 这一周内登陆的次数
   2. 组合型 -
   3. 离散型 - 把一天的时间切割两段 饭点和非饭点

4. 文本型

   1. n-gram
   2. bag of words - 出现了哪些词
   3. TF-IDF - 出现了哪些词，它的权重多大

5. 统计型 - 和业务场景非常接近的

6. 组合特征 - 对不同的域做一个组合

特征选择 feture_selection (特征选择)

1. Filter - 过滤型
   1. 思路:这个特征和结果的相关度
   2. 相关系数
   3. 卡方检验
   4. 信息增益 互信息
2. Wrapper - 包裹型
   1. 思路:通过目标函数来决定是否加入一个变量
   2. RFE 对特征的重要度进行排序 并踢掉不重要的特征
   3. 迭代:产生特征子集，评价:1.完全搜索2.启发式搜索3.随机搜索(GA,SA)
3. Embedded - 嵌入型
   1. 思路:基于模型做特征选择
   2. 正则化 - L1(lasso) L2(Ridge)
   3. 决策树 - 熵 / 信息增益
   4. 深度学习

模型选择 model_selection

1. 交叉验证

模型超参数选择 grid_search

1. 多组参数进行选择
2. 多种算法进行选择

模型状态评估

1. 过拟合
2. 欠拟合
3. 学习曲线

模型融合

通过好几个不错的模型共同的结果判定最后的结果

1. 群众的力量是伟大的，集体智慧是惊人的
   1. Bagging 最简单最常见的 (内部取样本是有放回的)
      • 不用全部的数据集，每次取一个子集 都使用相同算法训练一个模型，最后分类问题用这些模型的结果做vote，回归问题对这些模型的结果取avg
      • 不用全部的数据集，每次取一个子集 都使用不同算法训练一个模型，最后分类问题用这些模型的结果做vote，回归问题对这些模型的结果取avg
   2. Random forest 随机森林
2. 站在巨人的肩膀上，能看的更远
   1. 模型 stacking
      • 用多种predictor结果作为特征训练
      • 把各个模型输出结果当作输入，构建最后一个分类器产生输出
      • 如果最后的分类器为linear线性的，也就等价于把多个结果进行加权平均
      • 如果最后的分类器为majority，也就等价于把多个结果进行vote投票选择
   2. 弱化的stacking - blending
3. 一万小时定律 Boosting
   1. Adaboost
      • 重复迭代和训练 - 还不够努力需要多次学习
      • 每次给分错的样本分配更高的权重 - 要多做之前做错的题
      • 最简单的分类器叠加 - 脚踏实地，通过最简单的知识积累即使不聪明也可以称为专家
   2. GBT - Gradient Boosting Tree 逐步增强树
   3. XGboost