kaggle上打比赛的流程

转载自http://www.jianshu.com/p/32def2294ae6
最近挤出时间，用python在kaggle上试了几个project，有点体会，记录下。

Step1: Exploratory Data Analysis

EDA，也就是对数据进行探索性的分析，一般就用到pandas和matplotlib就够了。EDA一般包括：

每个feature的意义，feature的类型,比较有用的代码如下

df.describe()
df['Category'].unique()

看是否存在missing value

df.loc[df.Dates.isnull(),’Dates’]

每个特征下的数据分布，可以用boxplot或者hist来看

%matplotlib inline
import matplotlib.pyplot as plt
df.boxplot(column='Fare', by = 'Pclass')
plt.hist(df['Fare'], bins = 10, range =(df['Fare'].min(),df['Fare'].max()))
plt.title('Fare >distribution')
plt.xlabel('Fare')
plt.ylabel('Count of Passengers')

#如果变量是categorical的，想看distribution，则可以：
df.PdDistrict.value_counts().plot(kind='bar', figsize=(8,10))

如果想看几个feature之间的联立情况，则可以用pandas的groupby,

temp = pd.crosstab([df.Pclass, df.Sex], df.Survived.astype(bool))
temp.plot(kind='bar', stacked=True, color=['red','blue'], grid=False)

在这步完成之后，要对以下几点有大致了解

理解每个特征的意义
要知道哪些特征是有用的，这些特征哪些是直接可以用的，哪些需要经过变换才能用，为之后的特征工程做准备
Step2: Data Preprocessing

数据预处理，就是将数据处理下，为模型输入做准备，其中包括：

处理missing value：这里学问有点深，如果各位有好的经验可以跟我交流下。以我浅薄的经验来说我一般会分情况处理
如果missing value占总体的比例非常小，那么直接填入平均值或者众数
如果missing value所占比例不算小也不算大，那么可以考虑它跟其他特征的关系，如果关系明显，那么直接根据其他特征填入；也可以建立简单的模型，比如线性回归，随机森林等。
如果missing value所占比例大，那么直接将miss value当做一种特殊的情况，另取一个值填入
处理Outlier：这个就是之前EDA的作用了，通过画图，找出异常值
处理categorical feature：一般就是通过dummy variable的方式解决，也叫one hot encode，可以通过pandas.get_dummies()或者 sklearn中preprocessing.OneHotEncoder(), 我个人倾向于用pandas的get_dummies()

另外在处理categorical feature有两点值得注意：
如果特征中包含大量需要做dummy variable处理的，那么很可能导致得到一个稀疏的dataframe，这时候最好用下PCA做降维处理。
如果某个特征有好几万个取值，那么用dummy variable就并不现实了，这时候可以用Count-Based Learning.
（更新）近期在kaggle成功的案例中发现，对于类别特征，在模型中加入tf-idf总是有效果的。
还有个方法叫“Leave-one-out” encoding，也可以处理类别特征种类过多的问题，实测效果不错。
Step 3: Feature Engineering

理论上来说，特征工程应该也归属于上一步，但是它太重要了，所以将它单独拿出来。kaggle社区对特征工程的重要性已经达成了共识，可以说最后结果的好坏，大部分就是由特征工程决定的，剩下部分应该是调参和Ensemble决定。特征工程的好坏主要是由domain knowledge决定的，但是大部分人可能并不具备这种知识，那么只能尽可能多的根据原来feature生成新的feature，然后让模型选择其中重要的feature。这里就又涉及到feature selection,
有很多方法，比如backward,forward selection等等。我个人倾向于用random forest的feature importance，这里有论文介绍了这种方法。

Step 4: Model Selection and Training

最常用的模型是Ensemble Model，比如 Random Forest,Gradient Boosting。当然在开始的时候，可以用点简单的模型，一方面是可以作为底线threshold，另一方面也可以在最后作为Ensemble Model。
当然还有大名鼎鼎的xgboost,这个我也没有深入的研究，只是简单的用python调用了下，接下来如果有时间，要好好深入研究下。
选择完模型之后，就是要训练模型，主要就是调参，每种模型都有自己最关键的几个参数，sklearn中GridSearchCV可以设置需要比较的几种参数组合，然后用cross validation来选出最优秀的参数组合。大概用法为：

from sklearn.grid_search import GridSearchCV
from pprint import pprint
clf=RandomForestClassifier(random_state=seed)
parameters = {'n_estimators': [300, 500], 'max_features':[4,5,'auto']}
grid_search = GridSearchCV(estimator=clf,param_grid=parameters, cv=10, scoring='accuracy')
print("parameters:")
pprint(parameters)
grid_search.fit(train_x,train_y)
print("Best score: %0.3f" % grid_search.best_score_)
print("Best parameters set:")
best_parameters=grid_search.best_estimator_.get_params()
for param_name in sorted(parameters.keys()):
    print("\t%s: %r" % (param_name, best_parameters[param_name]))

Step 5: Model Ensemble

Model Ensemble有Bagging,Boosting,Stacking,其中Bagging和Boo这里写代码片sting都算是Bootstraping的应用。Bootstraping的概念是这里写代码片对样本每次有放回的抽样，抽样K个，一共抽N次。

Bagging:每次从总体样本中随机抽取K个样本来训练模型，重复N次，得到N个模型，然后将各个模型结果合并，分类问题投票方式结合，回归则是取平均值,e.g.Random Forest。
Boosting:一开始给每个样本取同样的权重，然后迭代训练，每次对训练失败的样本调高其权重。最后对多个模型用加权平均来结合,e.g. GBDT。
Bagging与Boosting的比较：在深入理解Bagging和Boosting后发现，bagging其实是用相同的模型来训练随机抽样的数据，这样的结果是各个模型之间的bias差不多，variance也差不多，通过平均，使得variance降低（由算平均方差的公式可知），从而提高ensemble model的表现。而Boosting其实是一种贪心算法，不断降低bias。
Stacking: 训练一个模型来组合其他各个模型。首先先训练多个不同的模型，然后再以之前训练的各个模型的输出为输入来训练一个模型，以得到一个最终的输出。使用过stacking之后，发现其实stacking很像神经网络，通过很多模型的输出，构建中间层，最后用逻辑回归讲中间层训练得到最后的结果。这里贴一个例子供参考。

def single_model_stacking(clf):
  skf = list(StratifiedKFold(y, 10))
  dataset_blend_train = np.zeros((Xtrain.shape[0],len(set(y.tolist()))))
  # dataset_blend_test = np.zeros((Xtest.shape[0],len(set(y.tolist()))))
  dataset_blend_test_list=[]
  loglossList=[]
  for i, (train, test) in enumerate(skf):
  #     dataset_blend_test_j = []
      X_train = Xtrain[train]
      y_train =dummy_y[train]
      X_val = Xtrain[test]
      y_val = dummy_y[test]
      if clf=='NN_fit':            
          fold_pred,pred=NN_fit(X_train, y_train,X_val,y_val)
      if clf=='xgb_fit':
          fold_pred,pred=xgb_fit(X_train, y_train,X_val,y_val)
      if clf=='lr_fit':
          fold_pred,pred=lr_fit(X_train, y_train,X_val,y_val)
      print('Fold %d, logloss:%f '%(i,log_loss(y_val,fold_pred)))
      dataset_blend_train[test, :] = fold_pred
      dataset_blend_test_list.append( pred )
      loglossList.append(log_loss(y_val,fold_pred))
  dataset_blend_test = np.mean(dataset_blend_test_list,axis=0)
  print('average log loss is :',np.mean(log_loss(y_val,fold_pred)))
  print ("Blending.")
  clf = LogisticRegression(multi_class='multinomial',solver='lbfgs')
  clf.fit(dataset_blend_train, np.argmax(dummy_y,axis=1))
  pred = clf.predict_proba(dataset_blend_test)
  return pred

Step 6: Two Little Tips

最后是我的两点心得吧
设置random seed，使得你的模型reproduce，以Random Foreset举例：
seed=0

clf=RandomForestClassifier(random_state=seed)

每个project组织好文件层次和布局，既方便与其他人交流，也方便自己。比如在一个project下，分设3个文件夹，一个是input，放训练数据、测试数据，一个model，放模型文件，最后一个submission文件，放你生成要提交的结果文件。
具体的可以参考这里
最后的回顾和展望

这篇文章是参加kaggle之后的第一次总结，描述了下kaggle的步骤，通用的知识点和技巧。希望在未来一个月中，能把xgboost和stacking研究应用下，然后再来update。希望大家有什么想法都能跟我交流下~~

update: 更新了关于类别特征的处理方式以及Boosting和Bagging的看法，还有stacking的内容。