天池学习赛：工业蒸汽量预测5——特征优化

上一篇《天池学习赛：工业蒸汽量预测4——模型验证》

1 特征优化的方法

1.1 合成特征

从一个或者多个输入特征衍生来的特征（标准化和缩放法创建的特征不算），主要包含以下几个类型：

（1）将一个特征与其本身或者其他特征相乘（特征组合）
（2）两个特征相除
（3）对连续特征进行分箱，以分为多个去加分箱

1.2 特征变换

1 数值特征的变换和组合

常用的数值特征的变换和组合如下：
（1）多项式特征
（2）比例特征
（3）绝对值
（4）max(x1,x2), min(x1,x2), x1 orx2

2 类别特征与数值特征的组合
用N1N2表示数值特征，C1C2表示类别特征
利用pandas的groupby创建以下几种新特征：
（1）中位数 median(N1)_by(C1)
（2）算数平均数 mean(N1)_by(C1)
（3）众数 mode(N1)_by(C1)
（4）最小值 min(N1)_by(C1)
（5）最大值 max(N1)_by(C1)
（6）标准差 std(N1)_by(C1)
（7）方差 var(N1)_by(C1)
（8）频数 freq(C2)_by(C1)

1.3 用决策树创造新特征

sklearn和xgboost中的apply（）和decision_path()

1.4 特征组合

1 对非线性规律进行编码
2 组合独热矢量
3 使用分桶特征列训练模型

2 赛题特征优化代码

import pandas as pd
from sklearn.decomposition import PCA
from sklearn.model_selection import KFold
from sklearn.metrics import mean_squared_error
import lightgbm as lgb
import numpy as np

train_data_file = "./zhengqi_train.txt"
test_data_file = "./zhengqi_test.txt"
train_data=pd.read_csv(train_data_file,sep='\t',encoding='utf-8')
test_data=pd.read_csv(test_data_file,sep='\t',encoding='utf-8')

#定义特征构造方法
epsilon=1e-5

#组交叉特征，可以自己定义，如增加x*x/y,log(x)/y等
func_dict={
    'add':lambda x,y:x+y,
    'mins':lambda x,y:x-y,
    'div':lambda x,y:x/(y+epsilon),
    'multi':lambda x,y:x*y
}

#特征构造函数
def auto_features_make(train_data,test_data,func_dict,col_list):
    train_data,test_data=train_data.copy(),test_data.copy()
    for col_i in col_list:
        for col_j in col_list:
            for func_name,func in func_dict.items():
                for data in [train_data,test_data]:
                    func_features=func(data[col_i],data[col_j])
                    col_func_features='-'.join([col_i,func_name,col_j])
                    data[col_func_features]=func_features
    return train_data,test_data
    
#特征降维PCA
train_data2,test_data2=auto_features_make(train_data,test_data,func_dict,col_list=test_data.columns)
pca=PCA(n_components=500)
train_data2_pca=pca.fit_transform(train_data2.iloc[:,0:-1])
test_data2_pca=pca.transform(test_data2)
train_data2_pca=pd.DataFrame(train_data2_pca)
test_data2_pca=pd.DataFrame(test_data2_pca)
train_data2_pca['target']=train_data2['target']
x_train2=train_data2[test_data2.columns].values
y_train2=train_data2['target']

#模型训练与评估
#5折交叉检验
folds=5
kf=KFold(n_splits=folds,shuffle=True,random_state=2019)

#记录训练和预测MSE
MSE_DICT={'train_mse':[],"test_mse":[]}

#线下训练预测
for i,(train_index,test_index) in enumerate(kf.split(x_train2)):
    #LGB模型
    lgb_reg=lgb.LGBMRegressor(
        learning_rate=0.01,
        max_depth=-1,
        n_estimators=5000,
        boosting_type='gbdt',
        random_state=2019,
        objective='regression',
    )
    #切分训练集和预测集
    x_train_kfold=x_train2[train_index]
    x_test_kfold=x_train2[test_index]
    y_train_kfold=y_train2[train_index]
    y_test_kfold=y_train2[test_index]
    #模型训练
    lgb_reg.fit(X=x_train_kfold,
                y=y_train_kfold,
                eval_set=[(x_train_kfold,y_train_kfold),
                          (x_test_kfold,y_test_kfold)],
                eval_names=['train','test'],
                early_stopping_rounds=100,
                eval_metric='MSE',
                verbose=50)
    #训练集和预测集预测
    y_train_kfold_predict=lgb_reg.predict(x_train_kfold,num_iteration=lgb_reg.best_iteration_)
    y_test_kfold_predict=lgb_reg.predict(x_test_kfold,num_iteration=lgb_reg.best_iteration_)
    print('第{}折 训练和预测 训练MSE 预测MSE'.format(i))
    train_mse=mean_squared_error(y_train_kfold_predict,y_train_kfold)
    print('-----\n','训练MSE\n',train_mse,'\n-----')
    test_mse=mean_squared_error(y_test_kfold_predict,y_test_kfold)
    print('-----\n','预测MSE\n',test_mse,'\n-----')
    MSE_DICT["train_mse"].append(train_mse)
    MSE_DICT['test_mse'].append(test_mse)
print('-----\n', '训练MSE\n',MSE_DICT['train_mse'], '\n',np.mean(MSE_DICT['train_mse']),'\n-----')
print('-----\n', '预测MSE\n',MSE_DICT['test_mse'], '\n',np.mean(MSE_DICT['test_mse']),'\n-----')

下一篇《天池学习赛：工业蒸汽量预测6——模型融合》