01_李宏毅课程HW1_复盘

问题描述：

整体任务就是用深度学习做一个回归任务，通过CMU的一组源自美国的数据来预测新冠病毒阳性案例数。
数据：

一个很简单的回归任务，难点在于筛选特征和调参

---

作业代码思路：

1.simple baseline就是助教提供的代码，直接运行即可。
2.medium baseline两个实现方法：一个采用特征选择 另一个采用模型融合 + 借鉴一些调参

3. Strong baseline 暂定思路：先从所有特征中抽取5+5+4（最后一天的阳性比例是label，去除），然后在做模型融合

4. 整体代码的逻辑如下图所示：

Trick 1：特征抽取

code来源，代码有些许错误，小节末会提出

1.1 代码整体思路

在整张表上做相关系数分析，看哪些特征和我们要预测的目标tested_positive.2最相关，相关系数的阀值设为0.8，没有要求随便设建议0.4以上

• 实现

feature = target_col[target_col > 0.8] #在最后一列相关性数据中选择大于0.8的行，这个0.8是自己设的超参，大家可以根据实际情况调节

feature_cols = feature.index.tolist()  #将选择特征名称拿出来
feature_cols.pop() #去掉test_positive标签
pp.pprint(feature_cols) #得到每个需要特征名称列表 **pp**是个包 我反正很少

feats_selected = [cols.index(col) for col in feature_cols]  #获取该特征对应列索引编号，后续就可以用feats + feats_selected作为特征值
feats_selected

• 结果

参考上文的特征输出,接下来依葫芦画瓢数据加载器，网络构建，训练测试验证，结果可视化，即可完成。
参数我没有调太多，没有太多话语权，不推荐了。
建议大家能够简单调参，把精力花在重点上

---

Trick 2：模型融合

code来源，代码很淳朴，看起来思路很清晰，但是真的写起来很累的吧

2.1 读取数据

1.每条训练样本由95列构成，含义如下:

[0]：样本id，无有效信息，可删除
[1,40]：所在州的one-hot表示
[41,58]：2d前的特征
[59,76]：1d前的特征
[77,95]：当天特征

2.将样本重新组合成1d、2d、3d三种数据集，数据维度如下:

day	train	pred
1	(9886,58)	(893,57)
2	(6293, 76)	(893, 75)
3	(2700, 94)	(893, 93)

2.2 特征工程

特征归一化：将非one-hot特征缩放至0~1范围
样本shuffle：原始数据中样本按州排序，需要将样本随机打散
数据拆分：将数据集拆分为训练集和测试集，其中测试集占比10%

day	train	test
1	(8897, 57)	(989, 57)
2	(5663, 75)	(630, 75)
3	(2430, 93)	(270, 93)

---

2.3 模型构造与训练

使用dnn为三种数据集构建三个不同的模型,这边原code是用sklearn写的cpu版本，跑起来巨慢，我们可以在原来的code上修改数据加载器那一部分代码

2.4 模型融合

# 构造样本
def gen_merge_feature(train_3d_df):
    part_d1_cols = cols[:40]+cols[-18:-1]
    part_d2_cols = cols[:40]+cols[-36:-1]
    part_d1_df = train_3d_df[part_d1_cols]
    part_d2_df = train_3d_df[part_d2_cols]
    part_d3_df = train_3d_df[cols[:-1]]
    sc_d1_feature = scale_fea(sc_1d,part_d1_df,'test')
    sc_d2_feature = scale_fea(sc_2d,part_d2_df,'test')
    sc_d3_feature = scale_fea(sc_3d,part_d3_df,'test')
    pred_1d = network_1d.predict(sc_d1_feature)
    pred_2d = network_2d.predict(sc_d2_feature)
    pred_3d = network_3d.predict(sc_d3_feature)
    merge_feature = np.hstack([pred_1d,pred_2d,pred_3d])
    return merge_feature

cols=list(train_3d_df.columns)
merge_feature = gen_merge_feature(train_3d_df)
merge_labels = train_3d_df[cols[-1]]
train_merge_x,test_merge_x,train_merge_y,test_merge_y = train_test_split(merge_feature,merge_labels,test_size = 0.1)
print(train_merge_x.shape)

"""输出 (2430, 3)"""

#训练模型

#效果检查
pred_merge = network_merge.predict(test_merge_x)
diff = pred_merge.reshape(1,-1)[0] - test_merge_y.values
weights = network_merge.get_weights()
print(np.mean(abs(diff)),np.var(diff))
print(weights)
plt.figure(figsize=(15,5))
plot_history(history_merge,1)

#提交结果

• 结果

总结：

基本上这两个trick在历年的实验中都是通用的做法，我记得之前PM2.5的回归任务也是这些方法，最后达到了不错的结果。特征抽取+模型融合yyds。

雁过还留声，我这条咸鱼最起码学过也该留点7788。俺的文笔下水道，文章不指望大家称赞，给找作业资料的宝们提供点线索，下个作业见。

特别鸣谢

• https://www.kaggle.com/kidnarcissus/hw1-20210624-merge-model#%E7%BB%98%E5%88%B6%E6%9B%B2%E7%BA%BF
• https://www.kaggle.com/kidnarcissus/hw1-20210624-merge-model#%E7%BB%98%E5%88%B6%E6%9B%B2%E7%BA%BF
• https://github.com/PolarisRisingWar/lihongyi-2021-colab/blob/main/HW1_strong_baseline.ipynb
• https://blog.csdn.net/PolarisRisingWar/article/details/117229529?spm=1001.2014.3001.5501