当前位置:   article > 正文

【DataWhale AI夏令营】--Task 2

【DataWhale AI夏令营】--Task 2

目录

1.赛题任务

2.baseline代码

(1)第一步:导入所需模块

(2)探索性数据分析(EDA)

(3)数据可视化

(4)合并训练数据和测试数据,进行一些数据预处理操作,然后重新切分出训练集和测试集

(5)模型训练与测试集预测

3.运行结果

优化方向

优化代码

优化总结

优化要点总结


1.赛题任务

使用进阶的机器学习模型lightgbm预测房屋电力需求

2.baseline代码

(话不多说,我们直接上代码)

(1)第一步:导入所需模块

其中lightgbm需要先在终端导入,否则会出现报错!

  1. import numpy as np
  2. import pandas as pd
  3. import lightgbm as lgb
  4. from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
  5. import tqdm
  6. import sys
  7. import os
  8. import gc
  9. import argparse
  10. import warnings
  11. warnings.filterwarnings('ignore')

补充:(为了方便小白能更加明白各类模块的作用,下面给出了以上各模块的大致解释)

  • numpy用于多维数组快速运算
  • pandas用于数据分析,特别是表格数据
  • lightgbm是一个基于梯度提升框架的的机器学习库
  • 三个评估指标函数:mean_squared_log_error(均方对数误差)、mean_absolute_error(平均绝对误差)和 mean_squared_error(均方误差),以上指标用于评估回归模型的性能
  • tqdm 是一个进度条库,可以在循环或迭代过程中显示进度条
  • sys模块提供了对 Python 解释器进行访问和操作的函数和变量
  • os模块提供了与操作系统交互的函数,如文件和目录操作
  • gc模块提供了对垃圾回收机制的直接访问,可以手动触发垃圾回收
  • argparse是一个用于解析命令行参数和选项的库
  • warnings模块用于处理警告信息(以上的ignore代表忽略所有告警信息)

(2)探索性数据分析(EDA)

在数据准备阶段,主要读取训练数据和测试数据,并进行基本的数据展示

官方源代码:(读取数据集和训练集)

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

根据数据包的存储位置需要对以上文件的路径进行修改:

  1. train = pd.read_csv('./data/data283931/train.csv')
  2. test = pd.read_csv('./data//data283931/test.csv')

赛题数据集内容简单介绍:

  • 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。

(3)数据可视化

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

  1. specific_id_df = train[train['id'] == '00037f39cf']
  2. plt.figure(figsize=(10, 5))
  3. plt.plot(specific_id_df['dt'], specific_id_df['target'], marker='o', linestyle='-')
  4. plt.xlabel('DateTime')
  5. plt.ylabel('Target Value')
  6. plt.title("Line Chart of Target for ID '00037f39cf'")
  7. plt.show()
  • id为00037f39cf的按dt为序列关于target的折线图

(4)合并训练数据和测试数据,进行一些数据预处理操作,然后重新切分出训练集和测试集

  1. # 合并训练数据和测试数据,并进行排序
  2. data = pd.concat([test, train], axis=0, ignore_index=True)
  3. data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)
  4. # 历史平移
  5. for i in range(10,30):
  6. data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
  7. # 窗口统计
  8. data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3
  9. # 进行数据切分
  10. train = data[data.target.notnull()].reset_index(drop=True)
  11. test = data[data.target.isnull()].reset_index(drop=True)
  12. # 确定输入特征
  13. train_cols = [f for f in data.columns if f not in ['id','target']]

(5)模型训练与测试集预测

另外需要注意的训练集和验证集的构建:因为数据存在时序关系,所以需要严格按照时序进行切分,

  • 这里选择原始给出训练数据集中dt为30之后的数据作为训练数据,之前的数据作为验证数据

  • 这样保证了数据不存在穿越问题(不使用未来数据预测历史数据)

  1. def time_model(lgb, train_df, test_df, cols):
  2. # 训练集和验证集切分
  3. trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']
  4. val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']
  5. # 构建模型输入数据
  6. train_matrix = lgb.Dataset(trn_x, label=trn_y)
  7. valid_matrix = lgb.Dataset(val_x, label=val_y)
  8. # lightgbm参数
  9. lgb_params = {
  10. 'boosting_type': 'gbdt',
  11. 'objective': 'regression',
  12. 'metric': 'mse',
  13. 'min_child_weight': 5,
  14. 'num_leaves': 2 ** 5,
  15. 'lambda_l2': 10,
  16. 'feature_fraction': 0.8,
  17. 'bagging_fraction': 0.8,
  18. 'bagging_freq': 4,
  19. 'learning_rate': 0.05,
  20. 'seed': 2024,
  21. 'nthread' : 16,
  22. 'verbose' : -1,
  23. }
  24. # 训练模型
  25. model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix],
  26. categorical_feature=[], verbose_eval=500, early_stopping_rounds=500)
  27. # 验证集和测试集结果预测
  28. val_pred = model.predict(val_x, num_iteration=model.best_iteration)
  29. test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
  30. # 离线分数评估
  31. score = mean_squared_error(val_pred, val_y)
  32. print(score)
  33. return val_pred, test_pred
  34. lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)
  35. # 保存结果文件到本地
  36. test['target'] = lgb_test
  37. test[['id','dt','target']].to_csv('submit.csv', index=None)

3.运行结果

拿到官方的代码后我直接点了运行,出现了以下的报错:

我检查了报错原因:大致是说verbose_eval并不是train函数直接接受的参数

通过查阅资料发现原因是 verbose_eval 参数应该通过回调函数log_evaluation来设置,而不是直接作为lgb.train()的参数。因此,对此部分代码进行修改:

修改后可以运行啦,在没修改参数的前提下需要运行50000次,大概需要三小时,运行结果如下:

提交了结果,发现分数在277+(这个分数越低越好),说明还有待优化空间。

优化方向

  1. 目前的验证集和训练集的划分依据 dt 列进行,可以尝试更多的数据划分方法,如时间序列交叉验证。
  2. 目前使用的超参数是手动设置的,可以使用 GridSearchCVRandomizedSearchCV 等方法来自动调整超参数,寻找最佳参数组合。
  3. LightGBM自带特征重要性评估功能,可以根据重要性得分来选择或删除特征
  4. 使用 early_stopping_rounds 参数,可以让模型在指定轮数内没有改进时停止训练,从而防止过拟合。
  5. 目前只评估了均方误差,可以增加更多评估指标,如R²、MAE等,以更全面地评估模型性能。

优化代码

下面我从以下几方面更新了代码:

  1. 早停机制: 在训练模型时,添加了 lgb.early_stopping(stopping_rounds=100) 回调函数,让模型在验证集上连续100轮没有提升时会提前停止训练,从而防止过拟合。

  2. 评估指标: 除了计算均方误差(MSE)之外,还增加了平均绝对误差(MAE)和决定系数(R²)的计算,这样可以更全面地评估模型的性能。

  3. 日志记录: 使用 lgb.log_evaluation(period=100) 回调函数,每100轮训练记录一次评估结果,有助于监控训练过程。

  4. 代码结构: 代码结构我也做了调整,将模型的训练和评估逻辑封装在 time_model 函数中。

  5. 输出信息: 在评估模型时,我打印了多个评估指标,可以更直观地了解模型的性能。

  1. import lightgbm as lgb
  2. from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
  3. from sklearn.model_selection import GridSearchCV
  4. def time_model(lgb, train_df, test_df, cols):
  5. # 数据切分
  6. trn_x, trn_y = train_df[train_df.dt >= 31][cols], train_df[train_df.dt >= 31]['target']
  7. val_x, val_y = train_df[train_df.dt <= 30][cols], train_df[train_df.dt <= 30]['target']
  8. # 构建模型输入数据
  9. train_matrix = lgb.Dataset(trn_x, label=trn_y)
  10. valid_matrix = lgb.Dataset(val_x, label=val_y)
  11. # LightGBM参数
  12. lgb_params = {
  13. 'boosting_type': 'gbdt',
  14. 'objective': 'regression',
  15. 'metric': 'mse',
  16. 'min_child_weight': 5,
  17. 'num_leaves': 2 ** 5,
  18. 'lambda_l2': 10,
  19. 'feature_fraction': 0.8,
  20. 'bagging_fraction': 0.8,
  21. 'bagging_freq': 4,
  22. 'learning_rate': 0.05,
  23. 'seed': 2024,
  24. 'nthread': 16,
  25. 'verbose': -1,
  26. }
  27. # 训练模型
  28. model = lgb.train(
  29. lgb_params,
  30. train_matrix,
  31. num_boost_round=800,
  32. valid_sets=[train_matrix, valid_matrix],
  33. callbacks=[lgb.log_evaluation(period=100), lgb.early_stopping(stopping_rounds=100)]
  34. )
  35. # 验证集和测试集结果预测
  36. val_pred = model.predict(val_x, num_iteration=model.best_iteration)
  37. test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
  38. # 离线分数评估
  39. mse_score = mean_squared_error(val_pred, val_y)
  40. mae_score = mean_absolute_error(val_pred, val_y)
  41. r2 = r2_score(val_pred, val_y)
  42. print(f'MSE: {mse_score}, MAE: {mae_score}, R²: {r2}')
  43. return val_pred, test_pred
  44. lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)
  45. # 保存结果文件到本地
  46. test['target'] = lgb_test
  47. test[['id', 'dt', 'target']].to_csv('submit.csv', index=None)

最后的结果相比于不改参数有所提升,且运行的时间也缩短了:

优化总结

优化要点总结

  1. 数据切分:依据 dt 列切分数据集,确保时间序列的前后关系。
  2. 超参数调优:手动设置初始参数,可以通过网格搜索等方法进一步优化。
  3. 特征选择:可通过LightGBM的特征重要性功能选择特征。
  4. 使用早停:防止模型过拟合,提高泛化能力。
  5. 详细评估:增加更多评估指标,全面评估模型性能

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/酷酷是懒虫/article/detail/963667
推荐阅读
相关标签
  

闽ICP备14008679号