Datawhale AI 夏令营 机器学习 task2 lightgbm

实验内容

是使用进阶的机器学习模型lightgbm解决电力需求预测问题，以达到更好的预测效果。

并且我们学到了使用数据集绘制柱状图和折线图，使用时间序列数据构建历史平移特征和窗口统计特征，使用lightgbm模型进行训练并预测。

代码解析解读

（1）导入模块

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')

导入数据库。

（2）探索性数据分析（EDA）

train = pd.read_csv('./data/train.csv')
test = pd.read_csv('./data/test.csv')

导入读取数据。

其中id为房屋id，

dt为日标识，训练数据dt最小为11，不同id对应序列长度不同；

type为房屋类型，通常而言不同类型的房屋整体消耗存在比较大的差异；

target为实际电力消耗，也是我们的本次比赛的预测目标。

不同type类型对应target的柱状图

import matplotlib.pyplot as plt
# 不同type类型对应target的柱状图
type_target_df = train.groupby('type')['target'].mean().reset_index()
plt.figure(figsize=(8, 4))
plt.bar(type_target_df['type'], type_target_df['target'], color=['blue', 'green'])
plt.xlabel('Type')
plt.ylabel('Average Target Value')
plt.title('Bar Chart of Target by Type')
plt.show()

 

id为00037f39cf的按dt为序列关于target的折线图

specific_id_df = train[train['id'] == '00037f39cf']
plt.figure(figsize=(10, 5))
plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')
plt.xlabel('DateTime')
plt.ylabel('Target Value')
plt.title("Line Chart of Target for ID '00037f39cf'")
plt.show()

 特例

（3）特征工程

# 合并训练数据和测试数据，并进行排序
data = pd.concat([test, train], axis=0, ignore_index=True)
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']]

• 历史平移特征：通过历史平移获取上个阶段的信息；如下图所示，可以将d-1时间的信息给到d时间，d时间信息给到d+1时间，这样就实现了平移一个单位的特征构建。

• 窗口统计特征：窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。如下图所示，可以将d时刻之前的三个时间单位的信息进行统计构建特征给我d时刻。

（4）模型训练与测试集预测

def time_model(lgb, train_df, test_df, cols):
    # 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)

行4 ：验证集与训练集切分，验证集比训练集更新

行14 ：分布更广，防止过拟合 

行16，17 ：特征选择，应当比较小

行25，26 ：设置早停。500次迭代，不超过5000次（超过则穿越）

效果越低越好

 直播课程学习

无暴力窗口平移：没听懂，但是可实现

超参数优化：贝叶斯优化，网格搜索（无深度模型大）

代码运行时的问题

1.第一次未安装lightgbm     解决方法：在终端pip install lightgbm

2.只有图片，折线图柱状图，无最后生成文件submit   解决方法： 在终端pip install lightgbm 3.3.0

task2心得

从经验模型baseline进阶到特征工程lightgbm，分数更进一步，也学到了历史平移与窗口统计的思路，学会了绘制图像。LightGBM 框架中还包括随机森林和逻辑回归等模型，通常应用于二分类、多分类和排序等场景。这也复习并运用到了在《机器学习》专业课所学知识。此外，我最大的收获时学会如何读懂代码，这也使我的语言技能更加强大。总之，我受益颇多。