#AI夏令营 #Datawhale #夏令营
Test1,跑通代码,并提交,获得第一个分数
以下是代码:
# 1. 导入需要用到的相关库
# 导入 pandas 库,用于数据处理和分析
# 将整个模块(somemodule)导入,格式为: import somemodule。
#本句的意思为将pandas库的名称暂时叫做pd,以便后续引用
import pandas as pd
# 导入 numpy 库,用于科学计算和多维数组操作,同上。
import numpy as np
# 2. 读取训练集和测试集
# 使用 read_csv() 函数从文件中读取训练集数据,文件名为 'train.csv'
train = pd.read_csv('train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据,文件名为 'test.csv'
test = pd.read_csv('test.csv')
# 3. 计算训练数据最近11-20单位时间内对应id的目标均值
#选出dataframe——train中dt列中小于等于20的数据
#对id相同的数据进行分组
#对id相同的组内‘target’的值进行平均
#重置索引时,将旧索引添加为列,并使用新的顺序索引:
target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()
# 4. 将target_mean作为测试集结果进行合并
#left:左侧作为被匹配对象,右侧的数据匹配左侧的数据,没有的则为空。未匹配到,则为空
test = test.merge(target_mean, on=['id'], how='left')
# 5. 保存结果文件到本地
#index=None即没有列引索
test[['id','dt','target']].to_csv('submit.csv', index=None)
此时需要学习pandas和numpy两个库。
Pandas 和 NumPy 是 Python 编程语言 中两个非常重要的库,它们封装了很多函数功能,广泛应用于数据分析和科学计算领域,为我们的代码开发实现提供了便利。
- Pandas 是基于 NumPy 的一个数据分析和操作库,提供了快速、灵活和表达力强的数据结构,旨在使数据清洗和分析工作变得更加简单易行。
- NumPy 提供了多维数组对象、派生对象(如掩码数组和矩阵)以及用于快速操作数组的各种例程,包括数学、逻辑、形状操作、排序、选择、I/O、离散傅立叶变换、基本线性代数、基本统计运算、随机模拟等等。
本次实践基本上了解了代码功能,为之后的改进奠定基础。
TEST2:入门lightgbm,开始特征工程
以下是代码:
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')
#导入数据集
train = pd.read_csv('D:/test/train.csv')
test = pd.read_csv('D:/test/test.csv')
# 合并训练数据和测试数据,并进行排序
#axis=0 表拼接方式是上下堆叠
#重新制定引索
data = pd.concat([test, train], axis=0, ignore_index=True)
#ascending=False 表示降序排序
#重新制定引索
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']]
def time_model(lgb, train_df, test_df, cols, clf=None):
# 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)
其中lightgbm参数为重点内容:
'boosting_type': 'gbdt':指定了提升算法的类型为梯度提升决策树(Gradient Boosting Decision Tree)。
'objective': 'regression':指定了学习任务的目标函数为回归问题。
'metric': 'mse':指定了评估模型性能的指标为均方误差(Mean Squared Error)。
'min_child_weight': 5:在叶子节点中进行进一步分割所需的最小样本权重和。
'num_leaves': 2 ** 5:指定了树中的叶子节点数。
'lambda_l2': 10:L2正则化项的权重。
'feature_fraction': 0.8:在每次迭代中随机选择80%的特征来训练模型。
'bagging_fraction': 0.8:在每次迭代中随机选择80%的样本来训练模型。
'bagging_freq': 4:指定了进行装袋的频率。
'learning_rate': 0.05:学习率,也称为步长或收缩率。
'seed': 2024:随机种子。
'nthread': 16:指定了用于训练模型的线程数。
'verbose': -1:控制训练过程中的输出信息。-1表示不输出任何信息(即静默模式)