BY:乔木
目录
题目描述
比赛链接:工业蒸汽量预测
赛题背景
火力发电的基本原理是:燃料在燃烧时加热水生成蒸汽,蒸汽压力推动汽轮机旋转,然后汽轮机带动发电机旋转,产生电能。 在这一系列的能量转化中,影响发电效率的核心是锅炉的燃烧效率,即燃料燃烧加热水产生高温高压蒸汽。锅炉的燃烧效率的影响因素很多,包括锅炉的可调参数,如燃烧给量,一二次风,引风,返料风,给水水量;以及锅炉的工况,比如锅炉床温、床压,炉膛温度、压力,过热器的温度等。赛题描述
经脱敏后的锅炉传感器采集的数据(采集频率是分钟级别),根据锅炉的工况,预测产生的蒸汽量。
数据说明
数据分成训练数据(train.txt)和测试数据(test.txt),其中字段 V0-V37,这38个字段是作为特征变量,target作为目标变量。 选手利用训练数据训练出模型,预测测试数据的目标变量,排名结果依据预测结果的 MSE(mean square error)。结果提交
选手需要提交测试数据的预测结果(txt格式,只有1列预测结果)。结果评估
预测结果以mean square error作为评判标准。
一、导入数据 | 观察数据
导入相关的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='ticks')
from scipy import stats
from sklearn.decomposition import PCA
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split, GridSearchCV, learning_curve, RepeatedKFold
from sklearn.linear_model import LinearRegression, RidgeCV, LassoCV
from sklearn.svm import SVR
from xgboost import XGBRegressor
import warnings
warnings.filterwarnings('ignore')
导入数据
dtrain = pd.read_csv('zhengqi_train.txt', sep='\t')
dtest = pd.read_csv('zhengqi_test.txt', sep='\t')
dfull = pd.concat([dtrain, dtest], ignore_index=True, sort=False)
print('训练集大小: ', np.shape(dtrain))
print('测试集大小: ', np.shape(dtest))
训练集大小: (2888, 39)
测试集大小: (1925, 38)
观察数据基本分布情况
plt.figure(figsize=(18,8),dpi=100)
dfull.boxplot(sym='r^', patch_artist=True, notch=True)
plt.title('DATA-FULL')
- 数据共有38个特征变量和1目标变量
- 所有特征变量及蒸汽量目标变量均为连续型数据
- 所有数据均分布在0附近,且无量级差异
# 查看数据缺失情况
print('缺失值统计:')
print(dfull.apply(lambda x: sum(x.isnull())))
缺失值统计:
V0 0
V1 0
V2 0
V3 0
V4 0
…
V34 0
V35 0
V36 0
V37 0
target 1925
dtype: int64
无缺失数据
接下来绘制数据相关性热力图,查看数据相关性情况
def heatmap(df):
plt.figure(figsize=(20,16), dpi=100)
cols = df.columns.tolist()
mcorr = df[cols].corr(method = 'spearman')
cmap = sns.diverging_palette(220, 10, as_cmap=True)
mask = np.zeros_like(mcorr, dtype = np.bool)
mask[np.triu_indices_from(mask)] = True # 角分线右侧为True
g = sns.heatmap(mcorr, mask=mask, cmap=cmap, square=True, annot=True, fmt='0.2f')
plt.xticks(rotation=45)
return mcorr
dtrain_mcorr = heatmap(dtrain)
热力图中发现,特征之间存在多重共线性,针对这一问题处理方法有以下三种:
- 主成分分析(PCA):通常情况下可能导致模型精度降低
- 正则化:许多较为成熟模型中都带有正则项,同时能够防止模型过拟合
- 逐步回归法:较为繁琐,不建议
在此次比赛中,尝试使用主成分分析,结果发现预测结果并不是太理想,最佳线上成绩为0.1306,因此在此文中未使用PCA方案,仅通过模型调参使用正则化方法消除共线性,不过当对于大量特征无从下手时,PCA也是值得一试的方法
二、特征工程
特征工程往往是影响预测结果好坏的关键所在,在此项目中我主要对数据进行了以下处理:
- 剔除训练集与测试集分布不均匀的特征变量
- 查看特征与目标变量相关系数,剔除相关系数低于0.1的无关变量
- 查看特征分布偏态系数,将部分明显左偏/右偏的特征数据进行正态化
- 对剩余特征数据进行标准化
另外对更多特征处理方法感兴趣的同学可用参考:工业蒸汽量预测 | 天池论坛
创建特征剔除函数,方便对数据进行统一处理
# 删除dfull表中指定的列
def drop_var(var_lst):
dfull.drop(var_lst, axis=1, inplace=True)
# 将dfull重新分割为dtrain核dtest
def split_dfull():
dtrain = dfull[dfull['target'].notnull()]
dtest = dfull[dfull['target'].isnull()]
dtest.drop('target', axis=1, inplace=True)
return dtrain, dtest
1. 剔除训练集与测试集分布不均匀的特征变量
针对38个特征变量画训练数据和测试数据特征分布直方图
plt.figure(figsize=(20,50),dpi=100)
for i in range(38):
plt.subplot(10,4,i+1)
sns.distplot(dtrain.iloc[:,i], color='green')
sns.distplot(dtest.iloc[:,i], color='red')
plt.legend(['Train','Test'])
plt.tight_layout()
从各特征数据分布直方图发现:
V5、V9、V11、V17、V20、V21、V22、V27、V28 特征训练集和测试集分布差异过大
因此为了减小数据分布不均对预测结果的影响,应将上述特征进行剔除
drop_var(['V5','V9','V11','V17','V20','V21','V22','V27','V28'])
dtrain, dtest = split_dfull()
2. 查看各特征与结果变量的相关性,以及是否服从正态分布
利用sns.regplot查看特征与目标变量间的线性关系强弱;
利用sns.distplot查看每个特征分布情况,并进行正态拟合。
plt.figure(figsize=(20,60),dpi=80)
i = 0
for col in dtrain.columns:
i += 1
plt.subplot(15,4,i)
sns.regplot(col, 'target', data = dtrain,
scatter_kws = {
'marker': '.', 's': 5, 'alpha': .6},
line_kws = {
'color'